Metaは2026年9月1日、20人超の話者を分離できる音声AI「Muse Voice Transcribe」を公開しました。
これまで「誰が何を話したか」の切り分けは、AI文字起こしの最大の弱点でした。管理組合の総会や修繕委員会のように十数人が入れ替わり発言する場面では、テキストは起こせても議事録としては使えない、という状態が続いていたわけです。今回の発表は、その弱点に正面から手を入れたものになります。本記事は、宅建業免許（東京都知事(1)第113520号）を保有し、AI導入コンサル100社超の実績を持つ株式会社オルセル（不動産のチカラ運営）が、賃貸管理の議事録AI化という切り口で3つの論点を整理します。
Muse Voice Transcribeとは何か、公開された事実関係
Muse Voice Transcribeとは、Meta Superintelligence Labsが2026年9月1日に公開した、同社初のリアルタイム音声認識モデルのことです。Engadgetによると、ストリーミングでの音声テキスト化、話者分離、発話の終端検出という3つの機能を、別々のツールを組み合わせるのではなく単一のモデルで処理します。
数字を押さえておきます。学習に使われた言語は70以上で、公開時点で品質が検証済みなのは25言語です。1時間規模のセッションで20人超の話者を扱えるとされ、1つの文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します。価格は音声1,000分あたり3ドルです。提供チャネルはMeta Model API、Muse Code、そして先に公開されたMeta AIのMacアプリの3つで、Macアプリ経由では他アプリの音声入力機能もこのモデルで動くようになります。
技術的に効いているのは「いつ確定させるか」の制御です。Mark Zuckerbergは自身の投稿で、難しい単語では少し長く待ち、簡単な単語では早く確定する適応的な遅延を使って精度を上げていると説明しています。リアルタイム性と精度はトレードオフの関係にありますが、そのバランスを単語ごとに動的に変える設計だということです。
なお、この発表はGoogleがGemini 3.5 Transcribeを公開してから1週間も経たないタイミングで出ています。音声認識は2026年夏から秋にかけて、各社が短期間で立て続けに刷新している領域だと捉えておくのが実態に近いでしょう。Googleの発表についてはGemini 3.5 Transcribeと不動産接客の論点で扱っています。
賃貸管理・区分所有の現場で効く3つの論点
結論から言えば、この発表が最初に効くのは接客ではなく、管理会社のバックオフィス業務です。理由は、話者分離20人超という仕様が、不動産業務のなかでも管理組合総会という一点に強く刺さるからです。
第一の論点は、総会と修繕委員会の議事録です。区分所有法では総会の議事録の作成と保管が義務づけられており、管理会社にとっては毎年必ず発生する定型業務です。ところが出席者が十数人を超えると、録音を聞き返しながら発言者を特定する作業に時間がかかります。話者分離を前提にできれば、この「聞き返し」の総量そのものが減ります。コストの目安も出しておきます。1,000分3ドルという価格を1ドル150円で換算すると1分あたり約0.45円、2時間の総会1回で約54円という計算になります（為替は変動するため実額は要確認）。人が2時間かけて起こす作業と比べたときの費用対効果は、桁で違ってくる水準です。
第二の論点は、多言語です。25言語が検証済みで、文の途中で言語が切り替わっても追随できるという仕様は、外国人入居者の対応記録で効きます。日本語と英語、あるいは日本語と母語が混ざる会話は、実務では珍しくありません。従来の文字起こしは言語を最初に固定する設計が多く、混在した瞬間に精度が落ちていました。入居時の説明や退去立会いのやり取りを、言語が混ざったまま記録に残せるようになるのは、後から「言った・言わない」を検証する場面で意味を持ちます。
第三の論点は、統制です。ここは前の2つと逆向きの話になります。常時聞き続けるモデルは、裏返せば「意図せず録り続けてしまう」設計でもあります。個人情報保護法の観点では、入居者やオーナーの音声を外部のAIサービスに送る前に、利用目的の特定と本人への通知が必要になります。総会の録音についても、事前の告知なしに録って外部サービスに送るのは避けるべきです。加えて、AIが起こしたテキストはあくまで下書きであり、議事録の正本として署名を得る前に人が内容を確認する運用を挟む必要があります。この点は宅建業務全般で共通する考え方で、AI議事録ツールの無料化と不動産の論点でも同じ整理をしています。
いま取るべき初動と、今後の見通し
初動としては、まず自社の音声業務を棚卸しするところから始めるのが現実的です。総会、修繕委員会、オーナー面談、内見同行、電話一次対応のうち、どれが何分あって、文字起こしに誰が何時間使っているかを1か月ぶん数えるだけで、投資判断に必要な材料はそろいます。
次に、個人情報の取り扱い方針を先に決めます。どの音声を外部APIに送ってよいのか、送る前に誰の同意が必要か、録音データの保存期間はどうするか。ツールを選ぶより先にこの線引きを固めておかないと、導入後に運用が止まります。
そのうえで、話者分離の精度は自社の音声で検証してください。会議室の反響、複数人の同時発話、方言の混在といった条件は、ベンチマークの数字と現場の体感がずれやすいポイントです。Metaは研究ブログでデモを公開しているため、まずは既存の録音を1本流して精度を見るのが早いです。
今後の見通しとしては、GoogleとMetaが1週間差で同種のモデルを出したことから、音声認識の単価はさらに下がる方向に動く可能性が高いと考えられます。一方で、Metaが自社の主要サービスにこのモデルをどう統合するかは現時点で明示されておらず、日本の不動産管理システムへの組み込みが進むかどうかも未確定です。当面は、既存の議事録ツールがどのモデルを採用するかを見ながら、乗り換えコストの低い形で試すのが妥当な構えでしょう。
まとめ
Muse Voice Transcribeの要点は、20人超の話者分離と25言語の検証済み対応、そして1,000分3ドルという価格の3つです。日本の不動産事業者にとっては、接客より先に管理組合総会の議事録という定型業務で効きます。ただし常時録音を前提とするモデルである以上、個人情報の取り扱いと事前告知の設計を先に固めることが、導入の前提条件になります。
参考文献
- Engadget: Meta’s new AI transcription model can distinguish between multiple speakers and languages in real-time
- Dataconomy: Meta unveils real-time voice model that transcribes 20 speakers
- Meta Research: Introducing Muse Voice Transcribe
- Mark Zuckerberg（X, 2026年9月1日）
※不動産のチカラでは、生成AIの導入支援から運用最適化まで、貴社の不動産事業に合わせたカスタマイズ提案を行っています。無料相談（30分）も実施中ですので、お気軽にお問い合わせください。
https://fudosannochikara.jp/contact/
引用元: Engadget
【監修】齋藤竹紘（株式会社オルセル代表 / EC支援19年5,000社超・AIコンサル100社超 / 宅建業免許 東京都知事(1)第113520号）