Meta、20人超の話者識別を1時間0.18ドルで提供

Metaは2026年9月2日、リアルタイム音声認識モデル「Muse Voice Transcribe」を公開APIで1時間0.18ドルに設定しました。ストリーミング文字起こし、発話区間検出、20人超の話者識別を単一モデルで処理し、多言語が混ざる会話にも対応します。会議分析や通話解析、音声エージェントを開発する企業に、低価格と話者対応精度を組み合わせた選択肢を提示します。

Meta Superintelligence Labsが開発し、1時間を超える長時間音声、言語の切り替え、言語・キーワードの優先指定に対応します。70言語超で学習し、初期提供では25言語を重点的に検証しました。話者識別は別の後処理ではなく、音声認識や発話区間検出と同時に学習・実行します。

音声は80ミリ秒単位で入力され、モデルは追加音声を待つか、文字を出力するかを各段階で判断します。適応遅延により、曖昧な発話では文脈を待ち、十分な情報があれば早く確定する設計です。話者ラベルは確認済みの人物IDではなく、セッション内だけで有効なA、Bなどの記号です。

公開価格は1000分3ドルで、ストリーミングと非ストリーミング、標準処理とデータ非保持処理はいずれも同額です。1000時間なら約180ドルで、話者識別に追加料金を課す競合より総費用を抑えやすい一方、最安ではなく、Sonioxは1時間0.12ドルを公表しています。

Metaが公開したArtificial Analysisのストリーミング評価では、最終文字起こしの単語誤り率は3.1％で、比較対象中の首位でした。話者識別誤り率も3つのデータセット平均で17.5％と、同社の比較表に掲載された競合より低い結果です。ただし、20人超は世界記録ではなく、Speechmaticsは最大100人、Amazon Transcribeは最大30人を公表しています。

導入時には機能・運用上の制約があります。APIの時刻情報は発話単位で、単語単位の時刻や信頼度、環境音・感情の検出は提供せず、既定はテナント当たり8同時ストリームです。リアルタイム接続は60分までなので、長時間利用では再接続を設計する必要があります。