Meta: Muse Voice Transcribe 1.0

Meta: Muse Voice Transcribe 1.0は、Metaの音声テキスト変換モデルです。文字起こしカテゴリに属し、ここに記載されているMetaプロバイダー配下のそのファミリーで唯一のモデルです。Metaは2026年9月11日にこれをリリースしました。音声を書き起こしたテキストに変換する必要があるものを作るなら、これがプロバイダーがその用途に位置づけているモデルです。

このモデルは音声を入力として受け取り、文字起こしを出力として返します。これは同期モデルであり、後でポーリングする非同期ジョブではなく、同じ呼び出し内でリクエストを処理して結果を返すということです。Metaはこれをプッシュトゥトーク、エンドポインティング、話者認識文字起こしに適していると説明しています。また、ドメイン用語のキーワードバイアスと言語バイアスもサポートしています。コンテキスト長はここで利用可能な情報には公開されておらず、最大出力はゼロと記載されているため、出力長は当然とみなすのではなく、自分のワークロードに対して確認すべきものとして扱ってください。

これらの機能は、かなり特定の用途群を示しています。プッシュトゥトークは、ユーザーがコントロールを押し、話し、すぐにテキストが返ってくることを期待する音声インターフェースに適合します。エンドポインティングは、話者が発話を終えた時点をモデルが判断する必要があるライブ音声ストリームに適合し、これは音声アシスタントや会議ツールにおけるターンテイキングで重要です。話者認識文字起こしは、複数の参加者がいる録音で、誰が何を言ったかを知りたい場合に適合します。キーワードバイアスは、音声に製品名、社内用語、その他一般的なモデルなら聞き間違える用語が含まれる場合に有用であり、言語バイアスは言語を事前に把握している場合に役立ちます。

このモデルは、モデルID「meta/muse-voice-transcribe-1.0」を使用して、api14のOpenAI互換APIを通じて呼び出します。インターフェースがOpenAI形式に従っているため、既存のOpenAIクライアントをapi14のベースURLに向け、プロバイダー固有のSDKを中心に統合を書き直すのではなく、リクエスト内で音声を送信できます。情報にはこのモデルでサポートされるパラメータが記載されていないため、temperature、top_p、または同様のサンプリング制御を渡せると想定しないでください。任意のフィールドに依存する前に、ライブのモデルページを確認してください。

別の選択肢を検討すべき理由がいくつかあります。このモデルは音声のみを受け付けるため、入力がテキスト、画像、またはドキュメントの場合、適切な選択ではありません。文字起こしのみを生成するため、音声コンテンツの要約、翻訳、または質問への回答は行いません。そうした動作が必要な場合は、このモデルをテキストモデルと組み合わせるか、入力と出力のモダリティがタスクに合うモデルを選んでください。