Microsoft、話しながら文字にするリアルタイム文字起こし「MAI-Transcribe-2-Streaming」を公開
30秒でわかる
- Microsoft AI初のリアルタイム文字起こしモデルMAI-Transcribe-2-Streaming ↗。話している途中から文字が出る
- 60言語に対応し、言語は自動で判別。最初の文字が出るまで約0.1秒。料金は音声1時間あたり0.54ドル(2026年末まで)
- 同時に、文字を読み上げる音声合成モデル「MAI-Voice-2.1」と、速さを重視した「MAI-Voice-2.1-Flash」も公開
何が変わった
先に公開されたMAI-Transcribe-2は、録音を後からまとめて文字にするモデルでした。今回のMAI-Transcribe-2-Streamingは、話している最中に文字を出していくタイプです。最初の途中結果はおよそ100ミリ秒(0.1秒)で表示され、文字が出る速さは最も近い他社モデルの2倍とMicrosoftは説明しています。精度の比較サイトArtificial Analysisでは、確定した文字と途中の文字の両方で精度1位になったとしています。音声合成のMAI-Voice-2.1は23言語に対応し、1つの声のまま各言語を自然な発音で話せます。本人の同意を確認する仕組み付きで、声のコピーにも対応します。高速版のMAI-Voice-2.1-Flashは、45秒分の音声を約150ミリ秒で返すとされています。
誰に関係する
会議の字幕や通話の書き起こしなど、その場で文字にしたい用途を作る開発者に関係します。Microsoft Foundry、MAI Playground、OpenRouter、Vercelから使えます。音声合成の料金は、MAI-Voice-2.1が100万文字あたり22ドル、Flash版が15ドルです。速さや順位はMicrosoftの発表によるもので、実際の結果は使い方や環境で変わる可能性があります。