Meta が 9 月 1 日、Muse Voice Transcribe を公開した。話しているそばから文字にしながら、20 人を超える話者を分け、誰かが話し終わったところを検出する。これを後処理ではなく、一つのモデルが同時にやるという。
変わるのは文字起こしの精度そのものではない。録音というものの位置づけだ。これまで録音は「あとで聞き返す」ための素材だった。1 時間の会話を確かめるには 1 時間かかる。話者が付いた読める文字列になれば、それは素材ではなく記録になる。ただし、その記録を作る場所は、あなたの機械の中ではない。
数字は、範囲つきで読む
公式の発表に並んでいる値はこうだ。ストリーミングでの単語誤り率が 3.1%、話者分離の誤り率が 17.5%、最終的な文字起こしが確定するまでが 0.16 秒。70 以上の言語で学習し、うち 25 言語を重点的に検証した（日本語も含まれる）。1 時間を超える音声も扱えるとある。
3.1% は小さく見える。だが並べて読むべきは 17.5% のほうだ。これは「誰の声か」を割り当てる側の誤り率で、発話時間のおよそ 6 分の 1 が正しく振り分けられていない計算になる。20 人を分けられる、は 20 人を正確に分けられる、ではない。会議の記録として使うなら、名前の付いた行をそのまま信じない前提が要る。
発表本文にも、生成された文字起こしは不正確な場合があると書かれている。順位についても、特定の公開ベンチマークで首位という言い方に留まっている。ここまでが、出典が保証している範囲だ。
「あとで聞き返す」が消える
それでも、この方向の変化は大きい。声は、書き言葉より先にある。手が離せないとき、相手が高齢のとき、その場で書き留める余裕がないとき、残るのは声だけだ。そして声のまま残ったものは、たいてい二度と開かれない。
家の作業の手順、畑や工房で口頭だけで渡されてきたやり方、家族の会話、集落の寄り合い。どれも「録っておけばいい」と言われながら、聞き返す時間がないという理由で消えてきた。話者付きの文字列は、そこを検索できるものに変える。Meta 自身も、Mac 版の Meta AI アプリに音声入力として組み込み、ワンクリックで呼び出せる形にしたと説明している。
動かす場所は、選べない
ここが今回の実際的な制約だ。提供されているのは Model API、Mac 版の Meta AI、そして Muse Code の三つで、モデルの重みを配るという発表はない。つまり、手元の機械の中だけで完結させる選択肢が今はない。
録った音声は、ネットワークの向こうへ渡ってから文字になる。発表本文にはデモでの利用について音声を保存しないと書かれているが、それはデモの話であって、日常的な利用の扱いをそこから一般化することはできない。使うなら、扱いの規約を自分で読みにいくところまでが手順に含まれる。
費用も同じだ。公式の発表本文に価格は書かれていない。毎日 1 時間ずつ回したときにいくらになるのかは、発表からは分からない。無料で使えるとも、安いとも、今の時点では言えない。
何を録るかは、まだ人が決める
実践として先に効くのは、自分ひとりの口述のほうだ。作業しながらのメモ、移動中の考え、手順の読み上げ。これは相手がいないぶん、精度の誤差も同意の問題も自分の中で閉じる。効果が大きく、失敗しても損が小さい。
複数人の会話は別の話になる。話者が分かれるということは、その場にいた人ごとに発言を切り出せるということだ。録音が読める記録になるほど、そこに残された側の意味も変わる。技術が同席者の合意を作ってくれるわけではないし、その判断はモデルの精度とは関係のないところにある。
声を残すコストは、ほとんどゼロになった。残さない判断だけが、これからも人の側に残る。あなたは、何を文字にして残したいだろうか？
