Microsoft初のリアルタイム音声文字起こしAI、低遅延に注目

Microsoft AIは2026年10月1日、同社初の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。リアルタイムで音声を処理し、60言語に対応。話者が話し終わるのを待たず、音声を受信してから100ミリ秒強で部分的な文字起こしを返し、その後に文脈を取り込みながら内容を更新します。
Microsoftによると、同モデルはArtificial Analysisの評価で、最終文字起こしと部分文字起こしの精度の両方で1位を獲得。同社の内部評価では、リアルタイムのディクテーションや字幕用途で、最も近い競合より文字が約2倍速く表示されたとしています。年末までの導入価格は音声1時間あたり0.54ドルです。
同時に、23言語・26ロケールに対応する音声合成モデル「MAI-Voice-2.1」と、高速版「MAI-Voice-2.1-Flash」も発表されました。Flashは45秒の音声を約150ミリ秒のエンドツーエンド遅延で生成できるとされ、文字起こしモデルとの組み合わせによる低遅延の音声エージェント開発を想定しています。
公開コミュニティでは、リアルタイム音声エージェントで大きな課題となる遅延を減らせる点への期待が目立ちます。一方、公開直後のため実運用で公称性能がどこまで再現されるかを見たいという反応もあります。