Meta AIに新音声認識モデル

米Metaは9月1日、Meta Superintelligence Labsが開発した初のリアルタイム音声認識モデル「Muse Voice Transcribe」を発表したとITmedia AI+が報じています。Meta Model APIで同日から提供しているほか、Mac版Meta AIとMuse Codeでも利用できると報じています。

同モデルはストリーミングASRに加え、話者分離と発話終了検知を単一モデルで処理するとITmedia AI+が報じています。20人以上の話者を区別でき、1時間を超える音声にも後処理なしで対応すると報じています。

学習に使った言語は70以上で、初期リリース時点では25言語を検証済みとしており、日本語も例に含まれるとITmedia AI+が報じています。1つの文の中で言語が切り替わるコードスイッチングも扱い、言語やキーワード、文脈のバイアス指定で認識精度を高められるとしています。

技術面ではMuse Sparkファミリーの自己回帰型マルチモーダルモデルという位置付けだとITmedia AI+が報じています。音声を80ミリ秒単位のチャンクで処理し、各チャンクで聞き続けるかテキストを出力するかをモデル自身が判断すると報じています。