Microsoft、MAI-Transcribe-2-Streamingを公開

Microsoftが、リアルタイムの文字起こしに対応したAIモデル「MAI-Transcribe-2-Streaming」をリリースした。GIGAZINEが報じた。

モデル名に含まれる「Streaming」は、録音を終えてからまとめて処理するのではなく、話している最中の音声を逐次文字に変換する方式を指すとみられる。会議の字幕表示や通話内容のリアルタイム記録、音声で操作するAIエージェントなど、応答の遅れが使い勝手を左右する用途で必要になる技術だ。

名称の「MAI」はMicrosoftが自社で開発するAIモデルのシリーズ名、「2」は文字起こしモデルの世代を示すものとみられる。OpenAIとの提携に加えて自社モデルの品ぞろえを広げている動きの一つと読めるが、これは推測である。

対応する言語、認識精度や遅延の水準、Azureなどでの提供形態と料金は、見出しからは確認できない。詳細は出典を参照してほしい。