Microsoftが新たに発表した「MAI-Transcribe-2-Streaming」
2026年10月1日、Microsoft AIは新しいストリーミング文字起こしモデル「MAI-Transcribe-2-Streaming」を発表しました。このモデルは、リアルタイムで音声を文字に変換する能力を持ち、特に会議や講演などの場面での活用が期待されています。
リアルタイム音声認識の特徴
「MAI-Transcribe-2-Streaming」は、話している最中に逐次的に文字起こしを行うことができるリアルタイム音声認識モデルです。これにより、ユーザーは発言が行われると同時にその内容を確認することができ、効率的なコミュニケーションが可能になります。
多言語対応と自動言語判別
このモデルは、なんと60言語に対応しており、さらに自動で言語を判別する機能も備えています。これにより、国際的な会議や多国籍企業での利用が一層スムーズになるでしょう。言語の壁を越えたコミュニケーションが実現します。
高速な応答性
「MAI-Transcribe-2-Streaming」は、音声を受信してからおよそ100ミリ秒強で最初の暫定結果を返すことができます。この迅速な応答性は、リアルタイムでの情報共有や意思決定をサポートし、特にビジネスシーンでの活用が期待されます。
導入価格と今後の展望
Microsoftの公式発表によると、「MAI-Transcribe-2-Streaming」の導入価格は、2026年末まで音声1時間あたり0.54ドルとされています。この価格設定は、企業や個人が手軽に導入できる範囲にあり、多くのユーザーにとって魅力的な選択肢となるでしょう。
他の新モデルとの連携
同日に発表された他のモデル、MAI-Voice-2.1およびMAI-Voice-2.1-Flashと組み合わせることで、さらなる機能拡張や利便性の向上が見込まれます。これにより、音声認識技術の進化が加速し、さまざまな分野での応用が期待されます。
まとめ
Microsoftの「MAI-Transcribe-2-Streaming」は、リアルタイム音声認識の新たなスタンダードを打ち立てる可能性を秘めています。多言語対応や高速な応答性を活かし、ビジネスや教育、国際交流など、幅広いシーンでの活用が期待されるこの技術に注目です。