MAI-Transcribe-2、話者分離と単語単位のタイムスタンプを単一の音声APIに統合、バッチ処理速度はリアルタイム音声の410倍

MicrosoftはMAI-Transcribe-2をリリースし、従来は後処理サービスとの連携が必要になることが多かった話者分離、単語単位のタイムスタンプ、出力スタイル制御を、単一の音声テキスト変換モデルに統合した。APIは言語を自動認識し、キーワードバイアスによって固有名詞の認識精度を高められるほか、「verbatim」と、フィラーを除去する「clean」の文字起こしを切り替えられる。公式はさらに、HinglishやSpanglishなどの文中コードスイッチングに加え、ノイズ、発話の重複、長時間音声への対応を特に強調している。

公式によると、FLEURSの60言語における平均単語誤り率は5.2%だが、言語別の詳細は公開されていない。この点は中国語での導入において特に重要だ。言語横断の平均値では、繁体字中国語、アクセント、専門用語、中国語と英語が混在する発話における差異が覆い隠される可能性がある。また、FLEURSは主に読み上げ音声で構成されており、カスタマーサポートの通話や複数人会議を代表するものではない。

より検証しやすいのは、Artificial Analysisが公開APIを通じて実施した非ストリーミングテストだ。現在のデータでは、MAI-Transcribe-2のAA-WERは2.0%で、1秒当たり約410.7秒分の音声を処理できる。GPT-Transcribeは3.3%／40.0倍、Scribe v2は2.2%／53.6倍、Gemini 3.5 Transcribeは2.6%／89.9倍だった。これにより、新モデルは精度と速度のPareto frontier上に位置する。一方、Nova-3は606.1倍とさらに高速だが、誤り率はより高い。

エンジニアリング面での直接的な効果として、字幕のバッチ生成、録音のアーカイブ、音声データのアノテーションをより短い待ち時間で完了できるほか、話者分離、句読点付与、時間アライメントの各パイプライン間で生じる誤差伝播も抑えられる。モデルはMicrosoft Foundry、MAI Playground、OpenRouterを通じて提供されており、期間限定価格は1時間当たり0.10米ドルで、2026年末まで適用される。

導入前には、自社環境の中国語アクセント、通話コーデック、複数話者の発話重複、ドメイン固有語彙を反映したテストセットを構築すべきだ。Artificial Analysisのデータセットは約8時間分で、英語のビジネス場面に偏っている。速度は10分間の音声ファイルを使用し、直近7日間の中央値として算出されている。そのため、短い音声に対する初回応答、リアルタイムストリーミング、アップロード待ち、ピーク時の同時実行を含むエンドツーエンド遅延については判断できない。Microsoftも、モデルアーキテクチャ、パラメータ数、モデルの重み、言語別の完全な結果をまだ公開していない。