Microsoft、初のストリーミング文字起こしモデル「MAI-Transcribe-2-Streaming」公開 音声合成「MAI-Voice-2.1」と高速版も

MicrosoftがAIの音声領域で本気を出した。10月1日、ストリーミング文字起こしモデル「MAI-Transcribe-2-Streaming」と音声合成モデル「MAI-Voice-2.1」を発表。従来の方式と違い、音声を受信してから100ミリ秒強で認識結果を返す低遅延型。相手の話の途中で反応できる音声エージェント（AIチャットボット）を作ることを想定している。60言語対応で日本語も含まれ、精度はArtificial Analysisの評価で1位とされた。音声合成は23言語対応で、1つの声のまま言語を切り替えても各言語のネイティブアクセントで話せるのが売りだ。

これまで文字起こしといえば、音声を全部録音してから文字にするものだった。AIの鬼が注目するのは、その前提が音声エージェントの出現で根本から変わったという事実だ。100ミリ秒という遅延は、人間の会話では「ほぼ同時」に感じられる。つまり、相手が話している最中に、AIがリアルタイムで理解して反応できるようになった。これはかつての「音声対応」とは別物。24時間カスタマーサポートや音声注文システムのような実務的な用途では、この低遅延が決定的に重要だ。競争相手のOpenAIやGoogleも同時期に似た機能を発表している背景には、音声インタフェースが次の主戦場だという各社の読みがある。

中小企業にとっての実務含意は明快だ。電話対応の人員を大幅に削減し、夜間や休日も対応できるシステムが、もはや研究段階ではなく「商用提供段階」に入ったということ。料金も年末までは導入価格で1時間0.54ドル、永続的には高速版（Flash）なら100万文字15ドルと、既存のコールセンターより安くなる可能性が高い。