Muse Voice Transcribeとは？ミューズ・ボイス・トランスクライブのリアルタイム文字起こし

会議の終了を待たず、話している途中から文字が現れ、誰の発言かまで分けられる音声AIがMetaから登場しました。Muse Voice Transcribe(ミューズ・ボイス・トランスクライブ)は、リアルタイム文字起こしと話者分離を同時に進めるモデルです。

日本語にも対応し、Macの音声入力や開発者向けAPIから試せますが、話者ラベルは本人確認ではなく、重要な固有名詞や数字には人の確認が必要です。
2026年9月9日時点の公式情報をもとに、できること、使い方、企業で試す前の確認点を整理します。

Muse Voice Transcribeとは、Metaのリアルタイム文字起こしAI

Muse Voice Transcribeとは、Metaが2026年9月1日に発表した初のリアルタイム音声知覚モデルです。音声を文章へ変えるだけでなく、会話を理解するための3つの処理を1つのモデルで扱います。

出典: Meta AI Research「Introducing Muse Voice Transcribe」(英語)

話者分離は、声から氏名や本人性を証明する機能ではありません。
「この区間は同じ話者」という整理に使い、議事録へ氏名を入れる段階では参加者が確認します。

Muse Voice Transcribeの仕組みは音声を待ちながら文字を出す

Muse Voice Transcribeは音声を80ms単位で取り込み、次の音を待つか、文字を出すかを繰り返し判断します。
録音の最後まで待って一括処理する方式とは、結果が見え始める時点が異なります。

聞く時間を長くすれば文脈は増えますが、表示は遅くなります。そこでMuse Voice Transcribeは、難しい単語では少し長く聞き、判断しやすい箇所では早く文字を出すadaptive delayを採用しました。

これは、文字が一度も修正されないという意味ではありません。リアルタイムの表示速度だけで採用を決めず、最終結果の正確さと業務上許容できる遅れを同じ音声で測ることが大切です。

Muse Voice Transcribeは日本語と長時間の会話に対応

Muse Voice Transcribeは70以上の言語で学習され、Metaは初期提供で25言語を重点的に検証したと説明しています。
公式発表ページでは日本語も検証言語の選択肢に含まれ、文の途中で言語が変わるコードスイッチングにも対応します。

さらに、言語、キーワード、文脈を指定して認識を寄せる機能があります。社名や商品名をキーワードへ入れれば聞き間違いを減らせる可能性はありますが、正しい表記を保証する機能ではありません。

日本語対応という表示も、自社の会議室や専門用語での精度保証ではありません。Gemini 3.5 TranscribeのMac日本語対応と同様に、モデルの対応言語、使う入口、実際の音声品質を分けて判断します。

Muse Voice Transcribeの使い方は利用目的で入口が変わる

Muse Voice Transcribeの使い方は、まず試す、Macで入力する、自社システムへ組み込むの順で考えると迷いません。API開発が目的でなければ、公式WebデモかMeta AI for Macから始められます。

入口	向く用途	最初の確認
公式Webデモ	機能体験	マイク許可
Meta AI for Mac	任意アプリへ入力	表示と権限
Meta Model API	システム組込	契約と保持条件
Muse Code	音声で開発補助	差分確認

Meta AI for Macでは、任意のアプリの入力欄でFnキーを押しながら話す音声入力が案内されています。詳しい権限設定と送信前の見直しは、Meta AIのMac音声入力の使い方で確認できます。

出典: Meta AI公式「Download Meta AI for Mac」(英語)

開発者向けMeta Model APIでは、ライブ音声を双方向にやり取りするWebSocketと、録音済み音声を送るHTTPの2経路があります。
会議、インタビュー、音声エージェントでは求める処理が違うため、ライブ性が必要か、録音後の処理で足りるかを先に決めましょう。

出典: Meta公式「Meta Model API Cookbook」(英語)

Muse Voice Transcribeを企業で試す前の4項目

Muse Voice Transcribeを会議や顧客対応へ入れるなら、精度テストより先に、録音とデータの扱いを決めます。機能が動くことと、業務で扱ってよいことは別だからです。

• 録音同意: 参加者へ目的、保存先、利用範囲を伝える
• 保持条件: Webデモ、Macアプリ、APIの規約を分けて確認する
• 重要語の検収: 人名、社名、金額、日付を原音と照合する
• 自社音声の試験: 雑音、マイク距離、話者数、同時発話を再現する

Metaの公式Webデモは、音声を保存しないと案内しています。
ただし、この説明をMeta AI for MacやMeta Model APIの保存条件へそのまま当てはめないでください。利用経路ごとに規約と管理画面を確認します。

出典: Meta AI Research「Introducing Muse Voice Transcribe」(英語・デモ画面の注記)

クラウドへ送る場面と端末内で処理する場面を区別する考え方は、ローカルAIでもクラウド送信は起きるのかでも解説しています。機密情報を使わない短い音声から始め、誤認識した時に原音へ戻れる記録を残すのが安全です。

Muse Voice Transcribeのまとめは小さな実音声テストから

Muse Voice Transcribeは、話しながら文字へ変え、話者と発話の区切りも同時に扱うリアルタイム音声AIです。会議録の完成を無人化する道具ではありません。人が確認する前の下書きを早く作る道具として捉えると、導入範囲を決めやすくなります。

Metaの生成AI全体を見たい場合は、Muse Imageとは何かもあわせて確認できます。画像生成と音声認識は同じMuse名称でも用途が異なるため、必要な業務から個別に評価してください。

Muse Voice Transcribeでよくある質問