概要
Microsoft AIが発表したMAI-Transcribe-2は、競合他社を最大10倍上回る速度と5.2%のWERという高精度、そして1時間0.10ドルという圧倒的低価格を実現した音声認識モデルです。
詳細内容
Microsoft AIは、次世代の音声認識モデル「MAI-Transcribe-2」を公開しました。このモデルは、精度・速度・コストの3点において市場をリードすることを目指して設計されています。
### 主な特徴と性能
- **圧倒的な処理速度**: Artificial Analysisの評価において、OpenAIのGPT-Transcribeより10倍、Gemini 3.5 Transcribeより5倍高速であり、長尺の音声処理において劇的なレイテンシ削減を実現しています。
- **高い認識精度**: 60言語に対応したFLEURSベンチマークで平均単語誤り率（WER）5.2%を記録し、ノイズの多い環境でも高い耐性を維持します。
- **高度な実用機能**: 話者分離（ダイアリゼーション）、単語単位のタイムスタンプ、特定用語の認識を高めるキーワードバイアス、そして「逐語（Verbatim）」と「要約・クリーン（Clean）」を選択可能な書き起こしスタイルを搭載しています。
- **破壊的な低価格**: 期間限定のローンチキャンペーンとして、1時間あたりわずか0.10ドルという市場最安級の価格設定がなされています。
このモデルは、臨床記録、法的文書、多言語対応の字幕作成など、高精度かつ低遅延が求められるエンタープライズ領域での活用を想定しています。現在はMicrosoft FoundryやOpenRouter等を通じて利用可能です。