Microsoft AI、ストリーミング文字起こしMAI-Transcribe-2-Streamingと音声モデルMAI-Voice-2.1を発表

MAI-Transcribe-2-Streamingは、60言語の低遅延リアルタイム文字起こしに対応し、言語の自動かつ継続的な検出も備える。音声を受け取ってから約100ms強で最初の仮説（partials）を出し、文脈が増えるにつれて修正しながら安定した文字起こしを確定させる。Artificial Analysisの精度と遅延の評価ではPareto frontier上に位置するという。社内評価では、リアルタイム書き起こしや字幕のような用途で、最も近い競合より単語が2倍速く表示されるとしている。年末まで導入価格として音声1時間あたり$0.54で提供される。

MAI-Voice-2.1は同社で最も強力な多言語テキスト読み上げモデルとされ、23言語・26ロケールに対応する。1つの声のまま、英語、Mandarin、ドイツ語などへ切り替えても、各言語のネイティブなアクセントで話せる。料金は100万文字あたり$22である。MAI-Voice-2.1-Flashは同じ言語とクロスランゲージ話者に対応しつつ、大量処理と遅延に敏感な用途向けに調整された。45秒の音声を生成でき、エンドツーエンドの遅延は150ms、モデル推論は55%高速で、同等モデルより約60%安い100万文字あたり$15とされる。

2つの音声モデルはいずれも、数秒の参照音声から全対応言語でボイスクローンができ、悪用を防ぐ同意ガードレールを組み込んでいる。MAIは音声エージェントを、聞く、理解する、決める、話すというループとして捉え、文字起こしと音声合成の両端で時間を節約すれば、推論やツール呼び出しに使える余裕が増えると説明している。想定用途は、話し終える前に動き始めるカスタマーサービス、言語を自動検出して同じ声で返答する多言語アシスタント、チュータリングやロールプレイなどの学習・メディアである。両モデルを組み合わせたライブエージェントのデモChatterが、MAI Playgroundで公開されている。