Meta、音声AI「Muse Voice Transcribe」公開

米Metaの研究組織Meta Superintelligence Labsは2026年9月1日、リアルタイムストリーミング音声認識、話者分離（誰が話したかの識別）、発話終端検出（話し終わりの判定）を単一モデルで実行する音声認識モデル「Muse Voice Transcribe」を公開しました。デスクトップ向けMeta AIおよび開発者向けエージェント「Muse Code」に即日統合され、API提供も開始されています。

音声認識と話者分離・終端検出を単一パスで処理

Muse Voice Transcribeは、Metaの基盤モデル「Muse Spark」ファミリーに属する自己回帰型マルチモーダルモデルです。従来の音声認識システムでは文字起こし、話者分離、終端判定を個別モジュールとして直列実行することが一般的でしたが、本モデルはこれらを単一のモデル内で統合処理します。

入力音声は80ミリ秒単位（12.5Hz）のチャンクに分割され、ソフトトークンへ変換されます。モデルは各チャンクを受け取るたびに、次の音声チャンクの取得を待つ特殊トークン（<|next_audio|>）を出力するか、テキストトークンを生成するかを動的に判断します。

主な技術的特徴は以下のとおりです。

• ​強化学習による適応型遅延（Adaptive Delay）​: 単語の難易度に応じて予測までの音声コンテキスト長を動的に制御。単語誤り率（WER）と遅延の積を報酬関数として最適化し、低遅延と高精度を両立。
• ​特殊トークンによるマルチタスク化​: 話者の切り替わりを示す<|start_of_turn|>や話者タグ<|speaker_{A-Z}|>、発話開始・終了を示す<|speech_onset|>および<|speech_endpoint|>を導入。
• 20人以上の話者分離と長文対応​: 1時間を超える長時間の連続音声入力と、20人以上の話者識別を後処理なしでネイティブサポート。
• ​多言語・コードスイッチング対応​: 70以上の言語で学習され、日本語を含む25言語で検証済み。文中や文間での言語切り替え（コードスイッチング）にも対応。

報道ソースとの差分整理と利用環境

Metaの公式発表および関連報道（9to5Mac、The New Stackなど）によると、本モデルはArtificial Analysisのストリーミング音声テキスト変換ベンチマークおよび公開話者分離ベンチマークで首位を獲得したとされています。

利用環境として、Meta Model API経由での開発者向けアクセスのほか、Mac向けMeta AIデスクトップアプリではFnキーの長押しによるリアルタイム音声入力に対応しました。また同日一般公開された「Muse Code」の音声ディクテーション機能にも採用されています。

音声対話インターフェースへの影響と展望

これまでAIエージェントの音声インターフェース構築では、発話区間検出（VAD）や話者分離ライブラリの組み合わせによるレイテンシの蓄積が課題となっていました。Muse Voice Transcribeのように単一モデルが推論ストリーム内で終端判定と話者追跡を完結させる設計は、複数人が参加するオンライン会議のリアルタイム要約や、遅延のない音声対話エージェントの開発を大きく加速させるとみられます。

引用元：Meta AI | 9to5Mac | The New Stack | Seeking Alpha | daily.dev | AIPicks