Microsoft AI、音声認識モデル「MAI-Transcribe-2」を発表、価格と速度で競合を凌駕

Microsoft AIは、音声認識モデル「MAI-Transcribe-2」を発表しました。このモデルは、OpenAI、Google、ElevenLabsの現行製品と比較して、より高速、高精度、低価格であることを謳っています。価格は1時間あたり10セントで、これは5ヶ月前の初代モデルの36セントから約72%の大幅な値下げとなります。MAI-Transcribe-2は60言語に対応し、話者分離、単語単位のタイムスタンプ、キーワード指定、自動言語識別などの機能を標準搭載しています。また、発話の「um」や言い直しを含む「verbatim」モードと、それらを除去する「clean」モードを選択可能です。ベンチマークでは、FLEURSで60言語平均5.2%の単語エラー率(WER)、Artificial Analysisでは精度と速度のパレートフロンティアで2位にランクインしました。速度面では、OpenAIのGPT-Transcribeの10倍、ElevenLabsのScribe v2の7倍、GoogleのGemini 3.5 Transcribeの5倍と主張しています。Microsoftは、自社でフロンティアモデルを開発し、製品に組み込む戦略を加速させており、MAI-Transcribe-2はその一環です。このモデルは、Microsoft FoundryおよびMAI Playgroundで利用可能です。