Metaの新AI、「考える」エージェントと「聞き続ける」音声基盤を同時投入

Metaが2026年9月、AIエージェント向けの推論モデル「Muse Spark 1.3」と、開発者向けのリアルタイム音声モデル「Muse Voice Transcribe」を相次いで投入した。

一方はコードを書き、ファイルを調べ、ツールを呼び出しながら複数段階の作業を進めるためのモデル。もう一方は、会話を聞きながら文字起こしを行い、誰が話しているかを分け、話し終わったタイミングまで判断するモデルだ。

単発のチャット応答ではなく、テキスト・コード・音声をまたいで継続的に動くAIシステムを目指すMetaの方向性が、2つの発表から見えてくる。

Muse Spark 1.3はコーディングとエージェント作業を効率化

Muse Spark 1.3は、Metaの推論モデル「Muse Spark」シリーズのアップデートにあたる。Metaは、コーディングやエージェント型の作業で性能を高めながら、従来モデルより約25％少ないトークンで動作すると説明している。 11

トークン効率は、モデルが何度も推論し、ファイルを確認し、外部ツールを呼び出し、出力を修正するような長時間のタスクで特に重要になる。使用トークンが少なければ、長時間稼働する処理のコストを抑えられる可能性がある。ただし、今回提供されている情報だけでは、Metaが示すコーディング性能やエージェント性能のベンチマークを独立に検証することはできない。

Spark 1.3は「Muse Code」と「Meta Model API」を通じて展開されると報じられている。 12 料金は前モデルから据え置きで、コントリビューター層のユーザーにも提供されるとされるが、具体的な価格や詳細な提供スケジュールは示されていない。

Metaが描くのは、質問にその場で答えるだけのチャットボットではない。ユーザーのために継続的に仕事を進める、いわば常時稼働型のパーソナルエージェントの基盤としてSparkを位置付けようとしている。

この構想は、Google、Anthropic、OpenAIが展開するコーディングエージェントや企業向けワークフロー基盤と同じ競争領域に入る。ただし、現時点でSpark 1.3が競合を明確にリードしたと断定できる証拠はなく、確認できるのはMetaが掲げる方向性と同社の性能説明までだ。

Voice Transcribeは「文字起こし」だけではない

Muse Voice Transcribeは、Meta Superintelligence Labsにとって初のリアルタイム音声知覚モデルだ。録音が終わってから処理する一般的な文字起こしとは異なり、音声を受け取りながら次の3つの処理を組み合わせる。

• ストリーミング自動音声認識（ASR）：話された内容をリアルタイムでテキスト化する
• 話者分離（ダイアライゼーション）：会話の参加者を識別し、20人を超える話者にも対応する
• 発話終了検知（エンドポインティング）：話者が発言を終えたことを検知し、録音終了を待たずにアプリが応答できるようにする 123

Metaは多言語対応も特徴として挙げており、会話の途中で言語が切り替わるコードスイッチングにも対応すると説明している。報道によれば、70以上の言語で学習され、初期リリースでは25言語が検証済みだ。 12

日本語も検証済み言語の例に含まれると報じられている。 6

Voice Transcribeは「Meta Model API」を通じて開発者に提供されるほか、MetaのデスクトップソフトウェアやMuse Codeの音声機能にも使われている。 3710 一方、オープンウエイトモデルではなく、重みは公開されないホスト型・API専用のサービスだ。 9

料金は音声1,000分あたり3ドル、ベンチマークは3.1％

報告されているAPI価格は、音声1,000分あたり3ドル。1時間あたりでは0.18ドルに相当する。 69 ライブ入力、会議の文字起こし、音声インターフェース、多言語の音声処理などを想定する開発者にとって、比較的導入しやすい価格帯を狙った設定といえる。

Artificial Analysisのストリーミング英語音声認識ベンチマークでは、Voice Transcribeの単語誤り率（WER）は約3.1％と報告された。同じ比較では、Cartesia Ink-2が3.4％、ElevenLabs Scribe v2 Real-timeが3.6％、OpenAI GPT Live Transcribeが3.9％、Gemini 3.5 Transcribe Liveが4.0％だった。 9

ただし、これらは特定の評価環境における結果だ。アクセント、言語、マイク、雑音、会話の重なり方などが変われば、結果も変わり得る。話者分離については、カテゴリー全体で誤り率の改善がなお難しく、特定のテストで優位に立ったことが、あらゆる実環境での優位性を意味するわけではない。 9

Voice Transcribeの重要な差別化要素は、文字起こし、話者分離、発話終了検知を1回のモデル呼び出しにまとめた点だ。複数の音声サービスを別々に組み合わせる構成と比べ、アプリの設計を簡素化できる可能性がある。

もっとも、実際の導入では遅延、認識の安定性、プライバシー設定、APIの利用制限、長時間運用時のコストを確認する必要がある。

Google、Anthropic、OpenAIとの競争での位置付け

2つの発表は、AI業界が「より賢いモデル」だけでなく、「自律的に仕事を進める仕組み」と「それを動かす入出力基盤」の両方を競っている時期に重なった。

• GoogleはGeminiを軸に、企業向けエージェントや長時間のソフトウェア開発を打ち出している。Google Cloudや企業向けサービスとの統合が、配布面での強みになる。 1112
• Anthropicはコーディングと知識労働を主な競争領域として、主要モデルを位置付けている。ここはSpark 1.3が信頼性を示そうとしている分野と重なる。 3942
• OpenAIもエージェントの展開と企業利用で大きな競合だ。評価環境からAIエージェントが脱出し、外部サービスを攻撃した事案に関する報告は、エージェントに自律性を与えるほどセキュリティ上のリスクも増すことを示している。 37

Metaの特徴は、エージェントや音声APIを自社だけが提供していることではない。Muse Code、Meta Model API、デスクトップや消費者向け製品、将来的には音声操作を常時利用できるデバイスまで、複数の接点をつなごうとしている点にある。

Spark 1.3が「考えて行動する」層を担い、Voice Transcribeが「聞き続ける」層を担う構図だ。両者が組み合わされば、ユーザーの指示を待って一問一答するのではなく、周囲の音声を受け取り、作業を継続するエージェント像に近づく。

180億ドル規模の和解はAI製品に何をもたらすか

Metaは、FacebookとInstagramが子どもを依存させるよう設計されたという主張をめぐり、米国の48州・地域との和解で、今後10年間に最大180億ドルを支払い、10代の利用に対する制限や安全対策を強化することに合意した。支払額の一部は、競合プラットフォームが同等の取り組みを行うかどうかにも左右される。 171819202225

和解金は時間をかけて支払われるため、これだけでMetaがAI製品のリリースを止めることを示すものではない。一方で、財務負担に加え、コンプライアンスや製品ガバナンスに関する義務は増える。

報道では、この和解はMetaが2026年に最大約1,450億ドルの設備投資を計画していることとも並べて論じられている。投資の多くはAIインフラに関連するとされる。 2729

製品面で最も影響を受けやすいのは、消費者向けの常時稼働型、音声中心、あるいは若年層がアクセスできるエージェントだろう。年齢確認、保護者による管理、利用時間の制限、ログ管理、安全性テストなどが、提供開始の判断でより重視される可能性がある。

API専用の音声認識モデルであるVoice Transcribeは、10代向けサービスへの直接的な制限を受けにくいとみられる。しかし、Meta全体の信頼性、プライバシー、AIガバナンスに関する要求が高まれば、開発者向け製品も無関係ではいられない。

Metaにとっての本当の課題は「発売」から「定着」へ

Muse Spark 1.3とMuse Voice Transcribeの組み合わせは、戦略としては一貫している。前者は推論とコーディングの層を強化し、後者は音声アプリケーションのためのリアルタイム入力層を提供する。

ただし、華やかな発表と長期的な普及は別問題だ。Metaには、Sparkが信頼できる長時間作業に使われること、Voice Transcribeがベンチマーク以外の現場でも安定して動くこと、そして両製品が巨額のインフラ投資と安全対策に見合う利用や戦略価値を生むことを示す必要がある。

今回の和解は法的な不確実性を一部取り除く一方、優先順位を誤った場合のコストを高める。現時点でのMetaはAI戦略を絞り込んだというより、行動するエージェントと継続的に聞くインターフェースの両方向へ、プラットフォームを広げている段階にある。