Microsoft AI、60言語のリアルタイム文字起こしモデル「MAI-Transcribe-2-Streaming」をプレビュー提供
Microsoft AIは2026年10月1日、話し手の音声をリアルタイムで文字に起こすモデル「MAI-Transcribe-2-Streaming」の提供を、パブリックプレビュー（本番環境での利用は推奨されない段階）として始めた。同社にとって初めてのストリーミング型の文字起こしモデルで、あわせて音声合成のモデル2種類も発表した。文字起こしモデルの料金は導入価格として、年末まで音声1時間あたり0.54ドルとなる。
MAI-Transcribe-2-Streamingは60の言語で遅れの少ない文字起こしを行い、話し手が使う言語を自動で途切れなく見分ける。同社によると、Artificial Analysisの評価で、確定した書き起こしと途中の書き起こしの両方の精度で1位となった。音声の受け取りから100ミリ秒を少し超える時間で最初の途中結果を出し、文脈が増えるにつれて直しながら、安定した書き起こしを確定させる。このため、音声で動くエージェントは、相手が話し終える前に推論を始めたり、ツールを呼び出したりできる。リアルタイムの口述筆記や字幕のような用途では、社内の評価で、最も近い競合に比べて2倍速く文字が表示されたとしている。
音声合成の「MAI-Voice-2.1」は、23の言語と26のロケールに対応し、1つの声のまま、すべての言語をその土地らしい発音で話せるようにした。料金は100万文字あたり22ドル。高速版の「MAI-Voice-2.1-Flash」は、処理量が多く遅れの影響を受けやすい用途に向けて強化したモデルで、料金は100万文字あたり15ドルに設定された。2つの音声合成モデルは、数秒の参考音声があれば声を再現でき、悪用を防ぐための同意の仕組みも組み込んでいる。
同社は、作れるものの例として、話している途中から依頼を書き起こして対応を始める顧客対応のエージェントや、家庭教師役やロールプレイなどで複数の話し手を使い分ける学習・メディアのコンテンツを挙げている。3つのモデルはいずれも、Microsoft Foundry、MAI Playground、Vercel、Azure Voice Liveで使え、LiveKitにも近く対応する予定だ。
【関連サイト】Microsoft AI「Our first streaming transcription model debuts at no. 1 on Artificial Analysis」
