Microsoft、リアルタイムの文字起こしと音声合成の新モデル

Microsoft AI は10 月 2 日、音声をその場で文字にする音声認識のモデル「MAI-Transcribe-2-Streaming」と、音声合成(文章の読み上げ)のモデル「MAI-Voice-2.1」「MAI-Voice-2.1-Flash」を発表しました。聞き取りと読み上げを組み合わせて、会話をする音声のエージェントを作る用途を想定しています。

要点

• MAI-Transcribe-2-Streaming は 60 言語に対応し、話している言語を自動で判別します。
• 音声を受けてから 100 ミリ秒あまりで、途中までの文字起こしを返し始めます。
• Artificial Analysis の評価で、文字起こしの正確さが 1 位だったとしています。
• 文字起こしの料金は、年末までの導入価格で音声 1 時間あたり $0.54 です。
• MAI-Voice-2.1 は 23 言語に対応し、同じ声のまま言語を切り替えて話せます。
• 100 万文字あたり、MAI-Voice-2.1 は $22、MAI-Voice-2.1-Flash は $15 です。
• 音声合成の 2 つは、数秒の音声から声を複製でき、悪用を防ぐ同意の確認を備えます。

MAI-Voice-2.1-Flash は、大量の処理や速い応答が要る用途に向けた版で、推論が 55% 速く、比べたモデルより約 60% 安いとしています。3 つのモデルは Microsoft Foundry・MAI Playground・Vercel・Azure Voice Live で使え、音声合成の 2 つは OpenRouter でも使えます。Azure の説明のページでは、いずれも公開プレビューの扱いです。同じ Microsoft AI のモデルでは、コード向けの MAI-Code-1.1-Flash も発表されています。

日本の利用者にとって

Azure の MAI-Transcribe-2-Streaming の説明のページでは、対応言語に日本語が含まれています。一方、MAI-Voice-2.1 と MAI-Voice-2.1-Flash の公式のモデルのページにある 23 言語の一覧には、日本語は含まれていません。料金は米ドルで示されています。

YOBITSUGI AI で使えるか

現時点では YOBITSUGI AI からは使えません。

出典

• Our first streaming transcription model debuts at no. 1 on Artificial Analysis(Microsoft AI (MAI) news・米国時間 2026年10月1日)
• MAI-Voice-2.1(Microsoft AI・モデルの説明と対応言語)
• MAI-Transcribe-2-Streaming overview(Microsoft Learn・対応言語)
• MAI-Voice in Azure Speech(Microsoft Learn)