Meta AI、リアルタイム音声認識モデルを提供開始 20人以上の話者識別に対応
- Meta AIが「Muse Voice Transcribe」を発表しました。
- リアルタイムASRと20人以上の話者識別に対応します。
- Meta Model APIやMeta AI for Macなどで利用できます。
Meta AIは、Meta Superintelligence Labs初のリアルタイム音声認識モデル「Muse Voice Transcribe」を発表しました。同モデルは、リアルタイムストリーミングASR、20人以上の話者識別、発話終了検出を備えます。
Muse Voice Transcribeは多言語に対応し、シームレスなコードスイッチングも扱います。言語、キーワード、文脈によるバイアス指定で精度を高めます。
同モデルはMuse Sparkファミリーの自己回帰型マルチモーダルLLMです。音声を80ms単位、12.5 Hzで処理し、各チャンクごとに聞き続けるか文字を出力するかを判断します。
Meta AIによると、Muse Voice TranscribeはArtificial Analysisのストリーミング音声テキスト変換と公開話者識別ベンチマークで1位です。Meta Model API、Meta AI for Mac、Muse Codeで利用できます。
つまり、会議の音声をその場で文字にしながら、誰の発言かを20人以上まで分けて示せる、ということです。話し終わりの検知も入っているので、相手が言い終わった時点で区切って出せます。日本語と英語が混ざる会話もそのまま扱えます。
録音を後から流し込む文字起こしではなく、議事録係が横で聞きながら書き取っている状態に近い形です。
性能の数字より先に、20人以上の話者を聞き分けるという条件が前に出てきたのが目を引きます。筆者にはこの並びがちょっと意外でした。
会議の文字起こしでつまずくのは、たいてい認識の精度そのものではありません。誰の発言か分からなくなるところです。20人という規模は、部門会議やウェビナーの質疑応答がまるごと入る大きさ。公開の話者識別ベンチマークで1位という結果が、そこに置かれている点は見逃せません。
さらに、言語が混ざる会話をそのまま扱える点も効きそうです。日本語と英語が行き来する打ち合わせは、国内でも珍しくありません。
そこで、まずは Meta AI for Mac に手元の議事録を流してみるところから。次は Meta Model API を試した人から、日本語の聞き取りが実務でどこまで持つのかという報告が出てくるのを待ちたいです。
リアルタイム文字起こしや多人数の会話識別を必要とする開発者や利用者に関係します。
