Azure Speech LLM 2607が音声認識を自動更新、フレーズリストで2,000超のエンティティを提示可能に

MicrosoftはAzure AI Speech LLM 2607をリリースしました。今回の更新の主眼は新たなエンドポイントの追加ではなく、既存のFast Transcriptionおよびリアルタイム音声認識サービス内のモデルを置き換えることです。Microsoftによると、新版では会話の途中で言語を切り替える混合言語音声、Tier 2／Tier 3 locale、句読点、大文字・小文字、数字、人名、ドメイン固有のエンティティの認識が改善されています。2605と比べ、特定の社内テストでは処理レイテンシが最大3分の1に短縮されたとしています。認識レイテンシは、ユーザーが話し始めてからエージェントが推論を開始するまでの時間枠を直接消費するため、これは音声エージェントにとって特に重要です。

開発インターフェースにおけるより具体的な変更は、固有語のヒントを汎用promptに混在させるのではなく、独立した`phraseList.phrases`フィールドに格納する点です。このリストには、2,000を超える名称、略語、専門用語を登録できます。Fast APIでは`2025-10-15`バージョンを使用し、音声ファイルとJSONの`definition`を`transcriptions:transcribe`へ同時に送信できます。同じ設定で`locales`、話者分離、チャンネル選択、機密語の処理も組み合わせられます。このような構造化プロンプトは、自然言語による指示よりも製品カタログや企業用語集から自動生成しやすく、バージョン管理やバッチ単位のテストにも適しています。

最大のリスクはリリース方式にあります。Microsoftによると、顧客側での操作は不要で、モデルはサーバー側で自動更新されます。そのため、同じAPI呼び出しであっても、プログラムをデプロイしていないのに、出力テキスト、レイテンシ、エンティティの優先傾向が変わる可能性があります。Microsoftが公開しているのは2つの例のみで、言語別のWER、テストセット、負荷条件、3倍高速化という結果の分布は公表されていません。ドキュメントに記載された多言語対応Fastモデルには`zh-CN`が含まれますが、繁体字中国語、台湾アクセント、中国語と英語が混在する発話でも同程度の改善が得られることを示す十分なデータはありません。本番運用チームは固定の音声データセットを保持し、WER、固有名詞の再現率、リアルタイム処理のテールレイテンシ、フレーズリストによる誤置換を個別に測定するとともに、リクエストのリージョンと時刻を記録すべきです。そうしなければ、サーバー側の更新後に性能劣化を再現することは困難です。