Microsoft MAI-Transcribe-2-Streaming logo

Microsoft MAI-Transcribe-2-Streaming

話しているそばから表示されるリアルタイム文字起こし

Artificial Intelligence Audio

概要

  • 話者が話し終えるのを待たず、音声を受信してから100ミリ秒強で最初の暫定テキストを表示するストリーミング文字起こしモデルです。
  • 暫定的な文字起こしを文脈に応じて更新しながら、安定した確定テキストへ仕上げます。60言語と自動・継続的な言語検出に対応しています。

主な特徴

  • 暫定テキストを利用して、音声エージェントが話者の発話途中から推論を始めたり、ツール呼び出しを実行したりできます。
  • Microsoftによると、最終結果と暫定結果の精度はArtificial Analysisで第1位。社内評価では、競合製品より単語が2倍速く表示されました。
  • Microsoft Foundry、MAI Playground、Vercel、Azure Voice Liveで利用可能。年末までは音声1時間あたり0.54ドルの導入価格です。

こんな人におすすめ

  • 顧客対応エージェントや、話す速度に合わせて応答するリアルタイム音声アシスタントを開発するエンジニアに適しています。
  • 多言語アシスタント、リアルタイムの音声入力、ライブ字幕など、低遅延の文字起こしが必要な用途に向いています。
  • 発話側のモデルであるMAI-Voice-2.1-Flashと組み合わせ、聞く・考える・話す一連の会話体験を構築できます。
投票数: 0
← 投稿一覧に戻る