モデル・開発

初のストリーミング文字起こしモデルがArtificial Analysisで1位に

原題: Our first streaming transcription model debuts at no. 1 on Artificial Analysis

重要提供開始音声AI

リアルタイム文字起こしを提供

Microsoft AIは2026年10月1日、MAI-Transcribe-2-Streamingを提供開始しました。

60言語の音声をリアルタイムで文字起こしし、話している途中でも部分的な認識結果を返します。

入力音声を受け取ってから100ミリ秒余りで最初の仮説を生成し、文脈が増えるにつれて更新します。

音声エージェントは発話の終了前に推論やツール呼び出しを始められます。

2026年末までの導入価格は音声1時間あたり0.54ドルです。

MicrosoftはArtificial Analysisで部分結果と確定結果の精度が首位になったと説明していますが、本文の性能値は提供元の説明に基づきます。

MAI-Voice-2.1は23言語・26ロケールに対応し、言語を切り替えても同じ話者の声を維持します。

料金は100万文字あたり22ドルです。

MAI-Voice-2.1-Flashは同じ言語と話者機能に対応し、大量・低遅延処理向けに最適化されています。

Flashの料金は100万文字あたり15ドルです。

両音声モデルは短い参照音声による話者再現と、同意を確認する安全対策を備えます。

3モデルはMicrosoft Foundry、MAI Playground、Vercelで利用でき、音声モデルはOpenRouter、3モデルはAzure Voice Liveにも対応します。LiveKitは今後の提供予定です。