Muse Voice Transcribeとは？Metaの新音声認識が「1時間3円台」で市場を壊す理由
Meta Superintelligence Labsが、リアルタイム音声認識モデル「Muse Voice Transcribe」を公開しました。英語の単語誤り率3.1%・発話終了から0.16秒という精度と速度を、1時間あたり0.18ドル（音声1,000分で3ドル）という業界最安値で提供します。話者分離と文境界検出も同一モデルに内包しています。
#音声認識 の記事一覧（9）
Muse Voice Transcribeとは？Metaの初リアルタイム音声AIが「20人・多言語混在」を1モデルで捌く意味
Metaは9月1日、Meta Superintelligence Lab初のリアルタイム音声認識モデル「Muse Voice Transcribe」を公開しました。20人超の話者を自動で識別し、文の途中で日本語と英語が混ざる「コードスイッチング」もそのまま書き起こせるとされ、70以上の言語で学習・25言語が公開時点で検証済み、料金は音声1,000分あたり3ドルです。
Gemini 3.5 Transcribeとは？85言語対応・単語誤り率2.6%の音声認識が業務に効く理由
Googleが2026年8月27日、リアルタイム音声認識モデル「Gemini 3.5 Transcribe」を公開しました。85言語超を自動判別し、単語誤り率はストリーミング4.0%・録音音声2.6%、遅延は前世代Chirp 3比で70%削減。「えーと」などのフィラー除去や言い間違いの訂正、整形までモデル側で完結します。
Gemini 3.5 Transcribeとは？85言語対応・専門用語自動認識で何が変わるかを解説
Googleが新しい文字起こしモデル「Gemini 3.5 Transcribe」を公開しました。85以上の言語と専門用語を自動検出し、「えーと」「あのー」といったフィラーを自動除去、最大3話者の話者分離と単語単位のタイムスタンプに対応します。
Gemini 3.5 Transcribeとは？「えーと」を消す音声入力AIが企業の議事録・カスタマーサポートに効く理由
Googleが音声認識モデル「Gemini 3.5 Transcribe」を投入しました。発話中の「えーと」や言い直しをその場で削除し、整形済みテキストを出力するもので、音声から最終テキストまで従来比約70%高速、ライブ音声のエラー率は5.5%（従来エンジンChirp 3はGoogle計測で7.32%）。85言語に対応し、Pixel 11のGboard「Rambler」機能で既に稼働しています。
Gemini 3.5 Transcribeとは？85言語対応の音声認識モデルが業務の「入力」を変える理由
Googleが新しい音声モデル「Gemini 3.5 Transcribe」を公開しました。85以上の言語を自動判別し、フィラー（えー、あのー）を除去した整形済みテキストを生成、最大3人までの話者を単語単位のタイムスタンプ付きで識別します。Pixel 11シリーズの「Rambler」やmacOS版Geminiアプリを動かし、APIでも提供されます。
GPT Transcribeとは？OpenAIの新音声認識APIをElevenLabs・Gemini 3 Pro・Voxtralと精度と単価で比較する
OpenAIが音声認識API「GPT Transcribe」と「GPT Live Transcribe」を公開しました。Artificial AnalysisのAA-WERベンチマークで単語誤り率3.31%、価格は25%下げて1分0.0045ドル。ただし精度首位はElevenLabs Scribe v2の2.3%で、最安はMistralの1分0.003ドルという構図です。
Cohere Transcribe Arabicとは？アラビア語ASRの決定版になり得るオープンソースモデルを解説
CohereがアラビアASR特化の20億パラメータモデル「Cohere Transcribe Arabic」をApache 2.0で公開しました。方言・アラビア語×英語のコードスイッチングに強く、Whisper Large V3を上回るとされます。
新しいオープンソース音声モデルがノンストップでリスニング、反応を0.4秒ごとに判断
最新の音声モデルが会話や翻訳、音声認識を一つのシステムで処理し、進化した反応能力を実現しました。