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。