Microsoftは10月1日、リアルタイムの音声認識モデル「MAI-Transcribe-2-Streaming」と、音声合成(テキスト読み上げ)モデル「MAI-Voice-2.1」「MAI-Voice-2.1-Flash」の3モデルを発表した。いずれも「Microsoft Foundry」のMAI Playground・APIから利用できる。
MAI-Transcribe-2-Streamingは、音声をWebSocketで継続的なストリームとして受け取り、発話が終わるのを待たずに文字起こし結果を順次返す音声認識モデル。60言語に対応し、言語を自動で継続的に判定する。ベンチマーク「Artificial Analysis」のストリーミング文字起こし精度評価(AA-WER Streaming)で、確定済みの文字起こしと速報の文字起こしの両部門で1位を獲得したという。
MAI-Voice-2.1は、Microsoftとして最も忠実度の高い音声合成モデルで、1つの音声で23言語をネイティブなアクセントのまま話せる。より軽量な「MAI-Voice-2.1-Flash」は、45秒分の音声を150ミリ秒以内に生成できる低遅延設計で、音声アシスタントやAIエージェント、コールセンター向けの用途を想定している。3モデルとも本日から利用可能だ。
出典: The Decoder
