Meta、Muse Voice Transcribeを時給0.18ドルで提供、20人以上の話者をリアルタイムで識別可能に:企業にとってはお買い得か?

Metaは、リアルタイム音声認識市場に「Muse Voice Transcribe」を投入しました。この新しい音声認識モデルは、ストリーミング文字起こし、話者分離、20人以上の話者識別を組み合わせ、処理済み音声1時間あたりわずか0.18ドルというAPI価格で提供されます。Meta Superintelligence Labsが開発したMuseは、録音が完了するのを待つのではなく、音声が発生している間に処理するように設計されています。このモデルは、1時間を超える長尺音声、シームレスな多言語切り替え、キーワード指定、追加の後処理パイプラインなしでの話者分離をサポートします。70以上の言語でトレーニングされ、初期リリースでは25言語が詳細に検証されています。20人以上の話者識別能力は強力ですが、競合他社にはさらに多くの話者を識別できるシステムも存在します。しかし、Museはリアルタイム話者分離と低遅延文字起こし、多言語切り替え、そして攻撃的なAPI価格設定を同一モデルで提供する点で、特に会議システム、通話分析、ライブアシスタント、アンビエントAIを構築するエンタープライズ開発者にとって魅力的な選択肢となり得ます。Metaは、精度ベンチマークでもMuseが3.1%の単語エラー率を記録し、競合他社を上回っていると主張しています。