Llamaに、文字起こし専用の新モデルが加わった。
Meta AIのモデル群にこれまで存在しなかった音声書き起こし特化モデル「Muse Voice Transcribe」が新たに加わった。ストリーミング認識・話者分離・発話区切りを1本のモデルに統合し、議事録や字幕づくりを自前ホストで完結できる選択肢が増える。
文字起こし専用モデルが
必要とされていた理由
これまでのMeta AIのモデルラインナップは、Spark・Glimmer・Llama 4という3本立てでした。この体制に、リアルタイム音声書き起こし専用のMuse Voice Transcribeが新たに加わったのが今回の変化です。テキスト生成やマルチモーダル対応を担う既存モデルとは役割がはっきり分かれており、Llama自体の文章生成・対話能力が向上したわけではありません。
音声書き起こしを専用モデルとして切り出す動きの背景には、議事録や字幕を自前ホストで運用したいというニーズがあります。社内会議の音声をクラウドAPIへ送ることに慎重な企業は多く、同時に、商用の文字起こしAPIを会議のたびに呼び出すコストも件数が増えるほど無視できなくなります。ストリーミング認識・話者分離・発話区切りという3つの処理を1モデルに統合したのは、この自前ホスト需要とプライバシー要件に正面から応える設計だと言えます。
| これまで（3モデル体制） | 今回（4モデル体制） |
|---|---|
| Spark・Glimmer・Llama 4のみ | + Muse Voice Transcribe |
| 音声書き起こし専用モデルなし | リアルタイム文字起こしに特化 |
| ASR・話者分離・発話区切りは別系統が前提 | 1モデルで3処理を同時に処理 |
3つの処理を、
1つのモデルに
ASR・話者分離・発話区切りを束ねて同時に動かす設計です。
Muse Voice Transcribeは、ストリーミング自動音声認識（ASR）・話者分離・発話区切り（エンドポインティング）を1つのモデルに統合しています。70以上の言語で学習され（うち25言語は重点的に検証済みとされる）、会話中に話者が言語を切り替える場面や1時間を超える長時間の会話にも対応するとされます。詳細はMetaのモデルページで公開されています。
Meta AI Mac アプリ、開発者向けコーディングツールのMuse Code、そしてMeta Model APIの3経路で利用できます。Model APIのエンドポイントはOpenAIのSDKと互換性があり、既存の文字起こしコードはベースURLとモデル名を差し替えるだけで動かせるとされています。
他社のリアルタイム文字起こしと
比べると
Artificial AnalysisのAA-WER Streamingベンチマークによる比較です。
主要なリアルタイム文字起こしAPIとの比較でも、Muse Voice TranscribeのストリーミングWER（単語誤り率）は最も低い値として報じられています。ただしこれはMeta側の発表を含む報道ベースの数値であり、AI Navigate編集部が独自に再計測したものではない点は前提として押さえておく必要があります。
| モデル | ストリーミングWER |
|---|---|
| Muse Voice Transcribe | 3.1% |
| Cartesia Ink-2 | 3.4% |
| ElevenLabs Scribe v2 Realtime | 3.6% |
| GPT Live Transcribe | 3.9% |
| Gemini 3.5 Transcribe Live | 4.0% |
誰に、どう効くか
エンジニア
OpenAI SDK互換のエンドポイントなので、既存の文字起こし呼び出しはベースURLとモデル名の差し替えだけで移行検証できます。自前ホストの初期検証コストを抑えたいチームに向きます。
ビジネス・バックオフィス
社内会議の音声をクラウドに送りたくない組織は、議事録・字幕を自前パイプラインで完結できます。$3/1,000分という価格が既存の文字起こし費用と見合うか、まず比較する価値があります。
マーケター
70以上の言語に対応し、会話中の言語切り替えにも追従するとされるため、多言語ウェビナーやライブ配信のリアルタイム字幕に使える場面が増えそうです。
「書き起こし」は、もう寄せ集めでいい作業ではない。
次にすべきこと
様子見ではなく、まず小さく検証するのが得策です。
まず料金を比較する
$3/1,000音声分という価格を、いま使っているクラウド文字起こしAPIの月間コストと突き合わせる。会議数・配信時間が多いチームほど差が出ます。
OpenAI SDK互換で小さく試す
エンドポイントの互換性を活かし、本番切り替えの前にベースURLとモデル名の差し替えだけで動作検証する。
自前ホストの運用体制を確認する
GPUの確保・可用性・モデル更新への追従など、クラウドAPI任せだった運用をどこまで自分たちで持つのか、事前に線引きする。
楽観だけでは語れない
3.1%というWER数値は、Artificial AnalysisというサードパーティのベンチマークとMetaの発表に基づくもので、AI Navigate編集部が独立に検証した数値ではありません。実運用での精度は、マイクの品質や環境ノイズ、専門用語の多さによって変わり得ます。
「70以上の言語に対応」とされていますが、「重点的に検証済み」なのは25言語にとどまります。残りの言語での精度は未知数です。20人を超える大人数の会議での話者分離の挙動も、公表情報だけでは判断できません。なお、この追加はあくまで音声書き起こし機能の拡張であり、Llamaのテキスト生成・対話性能には変更がありません。自前ホストを選ぶ場合は、クラウドAPIが肩代わりしていた可用性・スケーリングの運用負荷を自分たちで引き受けることになる点も見落とせません。