Metaの音声AI、第三者検証で首位獲得し低価格化

米MetaのSuperintelligence Labsが発表したリアルタイム音声知覚モデル「Muse Voice Transcribe」について、米Artificial Analysisの第三者ベンチマーク検証により、英語文字起こしの精度と応答速度で業界トップの性能を記録したことが明らかになった。同時に、1時間あたり0.18ドルという競合他社を大きく下回る低価格戦略を打ち出し、常時聴取型AIアシスタントの普及を加速させる姿勢を鮮明にしている。

WER 3.1％と遅延0.16秒を単一モデルで達成

Artificial Analysisが実施したストリーミング音声認識評価において、Muse Voice Transcribeは話者の発話終了からわずか0.16秒の遅延で、単語誤り率（WER）3.1％を達成した。これはElevenLabsのScribe v2 Realtime（3.6％・0.14秒）やAssemblyAIのUniversal-3.5 Pro Realtime（4.0％）、GoogleのGemini 3.5 Transcribe Live（4.0％）を上回り、パレート効率フロンティアの最前線に位置づけられた。

本モデルは音声を80ミリ秒ごとのチャンクに分割し、語彙の難易度に応じて文脈を待つ時間を動的に調整する適応型遅延技術を採用している。さらに、外部パイプラインを介さずに単一モデル内で文末境界検出と最大20名以上の話者分離を同時実行できる特徴を持つ。

1時間0.18ドルの価格攻勢とAIグラス連携

Metaは価格競争でも競合を圧倒している。Meta Model API経由の利用料金は1時間あたり0.18ドル（1,000分あたり3ドル）に設定され、Cartesia Ink-2の4ドルやElevenLabsの6.50ドルを大幅に下回る。

マーク・ザッカーバーグCEOが掲げる「パーソナル・超知能」構想のもと、本モデルはMeta AIやMuse Codeの音声入力基盤として即座に実装された。Metaは高精度かつ低遅延な音声知覚を、Ray-Ban Metaスマートグラスなどのウェアラブル端末における常時支援型AIエージェントの不可欠な中核技術と位置付けている。

引用元：THE DECODER