IT大手メタ（Meta）は、Mac向けのAIアシスタントや開発者向けに、リアルタイムで音声をテキスト化する新しいAIモデル「Muse Voice Transcribe（ミューズ・ボイス・トランスクライブ）」の提供を開始したと発表しました。
メタのAI研究部門によりますと、このモデルは同社初となるリアルタイムの音声認識AIです。音声を即座にテキスト化する機能に加え、20人以上の異なる話者を自動で識別する機能や、発言の終了を検知する機能を備えているということです。これにより、事後処理を必要とせずに高度な文字起こしが可能になるとしています。
開発にあたっては70以上の言語で学習が行われ、提供開始の時点では25の言語に正式に対応しています。1時間以上の長時間の音声データや、文中で複数の言語が混ざる会話にも対応できるということです。また、「適応型遅延」と呼ばれる技術を採用しており、認識しやすい言葉は素早く処理し、難しい言葉は前後の文脈を分析してからテキスト化するなど、速度と精度のバランスを自動で調整する仕組みを取り入れています。
メタは、独自のAI技術を幅広いサービスに展開して業界をリードする方針を掲げており、今回のモデルは9月1日時点で外部の音声認識AIの性能評価において首位を獲得したとしています。
開発者向けのAPIを通じた利用料金は、音声1000分あたり3ドル（日本円でおよそ465円）、1時間あたり0.18ドル（およそ28円）に設定されています。
この機能は、すでにMac向けの「Meta AI」などに組み込まれています。Macの利用者は、キーボードの「Fn」キーを押すことで、あらゆるアプリケーション上でこの高度な音声入力機能を利用できるということです。