音声を聞きながら逐次テキスト化
Microsoft AIが発表したMAI-Transcribe-2-Streamingは、音声を受け取りながら部分的な文字起こしを返すストリーミング型の音声認識モデルです。公式発表によると、60言語に対応し、自動で言語を検出します。通話中の字幕、音声エージェント、会話記録など、最終結果を待たずにテキストを利用したい場面を想定しています。
同社は最初の部分結果が100ミリ秒を少し超える程度で届くと説明します。この値はMicrosoftが示した条件でのもので、通信環境、入力音声、統合方法を含む実サービス全体の応答時間を保証する数字ではありません。導入時には利用する言語や雑音環境で遅延と認識誤りを測る必要があります。
精度順位と価格は発表主体を確認
MicrosoftはArtificial Analysisの評価で、最終文字起こしと部分結果の双方が首位だったと紹介しました。比較対象や測定条件によって順位は変わり得るため、これはMicrosoftが引用するベンチマーク結果として読むのが適切です。独立評価の詳細や、各業界の音声で同等の精度が出ることまでは発表ページだけでは確認できません。
発表ページに記載された文字起こしの導入価格は音声1時間あたり0.54ドルで、年末までの導入期間に適用するとされています。期間終了後の価格はここでは確定できません。予算を見積もる場合は、最新の価格表、課金対象となる音声時間、データ保存・処理条件を契約前に照合してください。
音声合成は通常版と低遅延版
MicrosoftはMAI-Voice-2.1とMAI-Voice-2.1-Flashも同時に発表しました。両モデルは23言語・26ロケールに対応するとされ、通常版は100万文字あたり22ドル、Flash版は15ドルと記載されています。Flashについては、45秒の音声をエンドツーエンド150ミリ秒で生成できるという同社の説明もあります。
提供先としてMicrosoft FoundryやMAI Playgroundが挙げられ、音声モデルはOpenRouterからも利用可能とされています。LiveKitへの対応は今後の予定です。利用可能な地域、契約条件、特定の声を使う際の同意要件は個別に確認が必要です。Microsoftは同意に関するガードレールにも触れていますが、実装時には利用者への説明や権利処理も欠かせません。
まとめ
今回の発表は、逐次文字起こしと音声合成をMicrosoftのMAIモデル群に加えるものです。対応言語や価格、遅延の数字は導入検討の手掛かりになりますが、ベンチマークと速度はMicrosoftの説明に基づきます。実際の品質、総費用、提供地域は自社の音声と最新条件で確かめる必要があります。
情報源
https://microsoft.ai/news/our-first-streaming-transcription-model/
原文公開日:2026-10-01
出典は上記のリンクから確認できます。発表元の説明と、編集部による分析・試算は本文中で区別しています。