MAI-Transcribe-2 運営中

MAI-Transcribe-2は、Microsoftが提供する最強のAI音声テキスト変換モデルで、精度、速度、コストのすべてで優れています。60言語に対応し、FLEURSテストセットでの平均単語誤り率はわずか5.2%です。話者分離と単語単位のタイムスタンプ機能を新たに搭載し、verbatim（言い間違いを保持）とclean（フィラーワードを削除）の2種類の文字起こしスタイルを提供します。自動言語認識と言語切り替えにも対応しています。

多言語音声文字起こし：60言語に対応し、録音の言語を自動検出できるため、あらかじめ言語を指定する必要がありません。
話者分離：1つの録音内で異なる話者を区別し、文字起こしテキストを該当する話者に割り当てます。
単語単位のタイムスタンプ：各単語に正確な時間位置を付与し、字幕の同期、音声検索、編集に役立ちます。
設定可能な文字起こしスタイル：verbatimモードではフィラーワードや言い間違いを保持し、cleanモードではフィラーワードを削除して読みやすいテキストを生成します。
自動言語認識と言語切り替え：自然に複数言語が混在する会話に対応し、言語の切り替えを自動検出して適応します。
キーワードバイアス：分野別の用語リストをあらかじめ設定し、特定の語彙の認識精度を高められます。
ノイズ環境での文字起こし：背景ノイズのある環境でも高い精度を維持して文字起こしできます。

エンドツーエンドの統合アーキテクチャ：単一のニューラルネットワークで音響特徴からテキスト系列への変換を直接行い、音声認識、話者分離、言語検出などのタスクを1つのモデルに統合します。従来の連結型システムで生じる誤差の蓄積を避け、速度と精度を同時に最適化します。
多言語共同学習：60言語の大規模な音声・テキストデータを用いて共同学習を行います。モデルは言語間で共有される音響表現と言語規則を学習するため、主要言語をカバーするだけでなく、リソースの少ない言語でも高い精度を維持し、自然な言語切り替えをリアルタイムで検出できます。
コンテキスト認識デコーディング：デコード時には現在の音響フレームだけで予測せず、グローバルな文脈意味と外部キーワードバイアスを組み合わせて推論します。出力語の確率分布を動的に調整することで、専門用語の認識精度を高め、verbatimとcleanの2種類のスタイルによる制御可能な生成にも対応します。

Azureリソースを作成：AzureポータルでAI Speechサービスのリソースを作成し、APIキーとリージョンのエンドポイントアドレスを取得します。
Foundryプレビューに接続：Microsoft Foundryパブリックプレビューの入口 https://ai.azure.com/catalog/models/MAI-Transcribe-2 からモデル呼び出し画面にアクセスします。
モデルパラメーターを設定：APIリクエストでmodel: "MAI-Transcribe-2"を指定し、必要に応じて話者分離と単語単位のタイムスタンプを有効にします。
音声をアップロードして文字起こし：WAV/MP3/MP4などの形式の音声ファイルを送信すると、モデルが言語を自動検出して文字起こしを実行します。
構造化結果を取得：完全なテキスト、単語単位のタイムスタンプ、話者ラベル、自動検出された言語コードを含むJSONを受け取ります。

世界最高水準の精度：FLEURSの60言語で平均単語誤り率はわずか5.2%、中国語では4.5%まで低く、Gemini 3.1 ProとWhisper v3-Largeを総合的に上回ります。
業界最速の処理速度：リアルタイムの403.6倍に達し、1時間の音声を約9秒で処理できます。GPT-Transcribeの10倍の速度です。
業界最低水準のコスト：期間限定価格は0.10米ドル/時間で、前世代より約72%値下げされています。
機能をネイティブ統合：話者分離、単語単位のタイムスタンプ、自動言語認識と言語切り替え、verbatim/cleanの2種類の文字起こしスタイルを内蔵し、追加の後処理は不要です。
多言語をシームレスにカバー：60言語に対応し、自然に複数言語が混在する会話も自動検出して適応できるため、あらかじめ言語を指定する必要がありません。

コールセンターの品質管理と分析：話者分離でオペレーターと顧客を区別し、単語単位のタイムスタンプと組み合わせて発話比率の測定や重要なmomentの正確な特定を実現します。
会議・インタビューのインテリジェントな記録：複数人の録音を話者ラベル付きの構造化テキストに変換し、アクションアイテムと意思決定の発言者を自動的に割り当てます。
音声エージェントのリアルタイム書き起こし：低遅延の聴覚入力レイヤーとして、MAI-Voice-2 Flashと組み合わせ、音声から音声へのリアルタイム対話ループを実現します。
メディア字幕とローカライズ：単語単位のタイムスタンプにより字幕同期のコストを大幅に削減し、60言語への対応でグローバルなコンテンツ制作を支援します。
コンプライアンス、法務、規制対応の証跡保存：話者の帰属とタイムスタンプを備えた正確な記録を生成し、金融、医療などの業界における監査・証拠保全の要件を満たします。