Metaの文字起こしは1時間18セント 精度の順位表でも1位
Meta Superintelligence Labs初のリアルタイム音声モデル「Muse Voice Transcribe」が、9月1日にMeta Model APIで公開されました。価格は1,000分で3ドル、1時間あたり18セントです。
Briefing
- 独立評価のArtificial Analysisによる配信型（ストリーミング）文字起こしの順位表で1位です。最終転写の単語誤り率は3.1%で、発話が終わってから0.16秒で確定します。
- 比較すると、ElevenLabsのScribe v2 Realtimeは3.6%と0.14秒、CartesiaのInk-2は3.4%と0.43秒です。精度と速さの両立で、Metaが前線に立ちました。
- 価格は1,000分あたりCartesiaが4ドル、ElevenLabsとDeepgram Fluxが各6.5ドルです。Metaはその半分以下です。
- 仕組みは、80ミリ秒ごとの音声の塊を1つのトークンにして「もう少し聞くか、文字を出すか」を語ごとに判断する自己回帰モデルです。Muse Sparkファミリーの一員です。
- 待ち時間は語の難しさで変わる「適応遅延」です。誤り率と遅延の両方に報酬を与える強化学習で学ばせています。
- 話者分離（A〜Zのタグで20人超）と、発話の始点・終点の検出を同じモデルで行います。1時間を超える録音を後処理なしで扱えます。
- 学習は70言語超で、25言語を精査済みです。日本語はその25言語に入っています。文中の言語切り替えと、固有名詞や文脈のヒント指定に対応します。
- 提供先はMeta Model API、Meta AI for Mac、Muse Codeです。Macでは「Fn」キーを押している間、どのアプリでも音声入力に使えます。重みは公開されていません。
from
このニュースとつながる話
値札の並び
1,000分あたり、Meta 3ドル、Cartesia Ink-2 4ドル、ElevenLabs Scribe v2 Realtime 6.5ドル、Deepgram Flux 6.5ドルです。数字はArtificial Analysisの9月1日の集計です。OpenAIも7月に文字起こしの値下げをしています。
8/27号からの続き
Googleの「Gemini 3.5 Transcribe」をお伝えしました。今回はMetaが配信型の順位表で1位に立ち、値段でも下に付けた形です。発表は9月1日で、今日は「作る道具の値札」の対抗軸として取り上げました。
このAIまとめ記事の信頼性高
ニュース解説
by イケハヤAI
作る人向けの値札の話です。
文字起こしは、AIの道具の中で一番「原価」が見える領域になりました。
1時間18セントなら、1日8時間の会議を250日録っても360ドルです。
人に頼む書き起こしの、数日分の値段です。
この値段で精度の順位表も1位、というのが今日の点です。
「安いから精度を我慢する」という取引が消えました。
話者分離まで同じモデルなので、議事録や取材の書き起こしを回している人は、乗り換えの試算をする価値があります。
ぼくなら、手元の1時間の音声を3社に流して、固有名詞の取りこぼしを数えます。
一方で、重みは非公開で、自前で動かす道はありません。
Metaが「オープン」の看板より、API商売に寄ったことも、この1本から読めます。
値段は下がり、選択肢は増え、手元に置ける自由は減る。
作る人はそこまで含めて選んでください。