9月6日、The Decoderが「Meta's new real-time audio model is the foundation for AI assistants that never stop listening」と題した記事を公開した。MetaのSuperintelligence Labsが公開したリアルタイム音声文字起こしモデル「Muse Voice Transcribe」は、AIグラスを通じて会話を聞き続けるパーソナルAIエージェントの基盤技術として設計されており、常時リスニングというコンセプトが現実のインフラとして具体化しつつある。誰かが常に聞いているというプライバシー上の緊張感を技術が追い越し始めた、という文脈でも注目に値するモデルだ。
常時リスニングAIの基盤技術として設計されたモデル
Muse Voice Transcribeは、MetaのSpark系列モデルとして開発されたリアルタイム音声認識モデルだ。単なる文字起こしツールではなく、AIグラス（カメラ付きスマートグラス）などを通じてリアルな会話をリアルタイムで聞き取り続けるパーソナルAIエージェントの基盤技術として明確に位置づけられている。
技術的な核心は、80ミリ秒単位で音声を処理するアダプティブ遅延機構にある。単語ごとに「もう少し聞き続けるか、いまテキストとして出力するか」を動的に判断する。簡単な単語は素早く出力し、難しい単語にはより多くの文脈を収集してから出力する。このトレードオフの調整にMetaは強化学習を採用しており、誤り率の低さと遅延の短さを同時に報酬として与えることでこの挙動を訓練している。
精度と速度の評価結果
独立評価機関のArtificial Analysisによる計測（2026年9月1日実施）では、Muse Voice Transcribeは英語において単語誤り率3.1%、発話終了後0.16秒でテキストを確定出力した。主要な競合との比較は以下の通りだ。
| モデル | 単語誤り率 | 遅延 |
|---|---|---|
| Muse Voice Transcribe | 3.1% | 0.16秒 |
| ElevenLabs Scribe v2 Realtime | 3.6% | 0.14秒 |
| AssemblyAI Universal-3.5 Pro Realtime | 4.0% | — |
| Cartesia Ink-2 | 3.4〜4.0% | — |
遅延欄が「—」のモデルについては、元記事においてArtificial Analysisの計測対象外または非公開とされており、比較値が得られていない。ElevenLabs Scribe v2 Realtimeは遅延で僅かに上回るが、誤り率ではMuse Voice Transcribeが首位だ。なお、OpenAIも同じ用途向けに2026年5月にGPT-Realtime-Whisperをリリースしており、7月には文字起こしモデルの価格を引き下げている。競争は激しい。
話者分離と発話境界検出を単一モデルに統合
Muse Voice Transcribeが技術的に面白い点のひとつは、話者分離（Speaker Diarization）と発話境界検出を別システムなしで単一モデルに統合していることだ。
- 話者分離: テキスト中に話者の切り替えをマークし、AからZのIDで各発話を識別。同時に20人以上を識別可能で、後処理なしに1時間を超える録音にも対応する
- 発話境界検出: 各発話の開始・終了位置をリアルタイムでマーク
- コードスイッチング対応: 話者が会話の途中で2言語を混在させるケースにも対応
8人が同室にいるデモでは、個々の発話をリアルタイムで話者に紐づけることを示している。対応言語は70言語以上で訓練済み、25言語を詳細評価済み。「Meta」「Muse」「Menlo Park」のような固有名詞については、コンテキストヒントを与えることで精度をさらに向上できる。
価格戦略：性能ではなく価格で攻める
Metaは価格面でも積極的だ。1時間あたり$0.18（1,000分あたり$3.00）という価格は、Cartesia Ink-2の$4.00、ElevenLabs Scribe v2 RealtimeおよびDeepgram Fluxの$6.50と比べて大幅に安い。最も高い競合（$6.50）との比較では最大約3分の1以下の水準だ。
この路線はMuse Spark 1.1・1.2でも取った戦略で、「ピーク性能ではなく価格競争力で市場に入る」というMetaの一貫した姿勢の延長線上にある。一方でモデルのパラメータ数、学習データの規模、音声データのソースは非公開で、ウェイトの公開もない。
提供形態と背景
Muse Voice TranscribeはすでにMeta AIとMuse Codeの音声入力機能に組み込まれており、Meta Model API経由でも利用可能だ。対応アプリであれば「Fn」キーを長押しすることで試せる。
Metaは2025年夏にAI部門をSuperintelligence Labsに再編し、OpenAI、Google DeepMind、Appleから主要研究者を引き抜いている。ただし4年間で最大3億ドルという報酬パッケージにもかかわらず、数週間でOpenAIに戻った研究者もいる。
なお、AIグラスを活用した常時リスニングというコンセプトについては、ドイツで同国のカメラ付きMetaグラスの禁止が議論されたが、連邦ネットワーク庁（Bundesnetzagentur）は規制措置を取らない判断を下している。
詳細はMeta's new real-time audio model is the foundation for AI assistants that never stop listeningを参照していただきたい。
