Microsoftがストリーミング文字起こしと音声合成の新モデルを発表！リアルタイムAIエージェント開発に革命か
リアルタイム対話を実現するMicrosoftの新AIモデル
MicrosoftのAI部門であるMicrosoft AI（MAI）が、開発者にとって非常に魅力的な新モデル群を発表しました。注目すべきは、同社初のストリーミング型文字起こしモデル
「MAI-Transcribe-2-Streaming」と、音声合成（TTS）モデル
「MAI-Voice-2.1」、さらにその高速版
「MAI-Voice-2.1-Flash」です。これらのモデルは、人と音声で自然に対話する「音声エージェント」の構築を強力にサポートすることを目的としています。
MAI-Transcribe-2-Streaming：低遅延で高精度な文字起こし
「MAI-Transcribe-2-Streaming」は、話している最中に文字起こし結果を逐次返す低遅延モデルです。日本語を含む60言語に対応し、話されている言語を自動で判別する機能も備えています。音声の受信からわずか100ミリ秒強で暫定的な認識結果を返し、文脈に応じて修正しながら確定させるため、音声エージェントが相手の発話の途中で処理を開始できる点が大きな強みです。これにより、よりスムーズで自然な対話体験が可能になります。AI評価機関Artificial Analysisの評価では、精度1位を獲得したとされています。料金は年末までの導入価格として、音声1時間当たり0.54ドルで提供されます。
MAI-Voice-2.1 & Flash：多言語対応の自然な音声合成
一方、音声合成モデル「MAI-Voice-2.1」は23言語に対応する多言語TTSモデルです。特筆すべきは、1つの声のままで言語を切り替えても、各言語のネイティブのアクセントで話せる点です。これにより、多言語対応の音声エージェント開発において、より自然で一貫性のある音声を提供できるようになります。料金は100万文字当たり22ドルです。さらに高速版の「MAI-Voice-2.1-Flash」は、45秒の音声を150ミリ秒の遅延で生成できるとされており、同等のモデルと比較して約60％安価な100万文字当たり15ドルで提供されます。
これらのVoiceモデルには、数秒の参照音声から声を複製する機能も備わっていますが、利用には審査を経たアクセス承認が必要です。本人の同意を得た声しか合成できない仕組みが組み込まれており、悪用防止策も講じられています。モデルの提供リージョンには東日本（Japan East）も含まれています。
音声エージェント開発の可能性を広げる活用例
これらのモデルは、以下のような音声エージェントの開発に利用できるでしょう。
- リアルタイム通訳/翻訳システム： MAI-Transcribe-2-Streamingで文字起こしし、MAI-Voice-2.1で翻訳音声を生成することで、遅延の少ない多言語コミュニケーションツールが実現できます。
- インタラクティブな顧客サポート： ユーザーの発話を即座に認識し、MAI-Voice-2.1で自然な音声応答を返すことで、よりスムーズで満足度の高いカスタマーサービスを提供できます。
- ゲームやエンターテイメント： キャラクターとのリアルタイムな音声対話や、多言語対応のナレーション生成など、没入感のある体験を創出できます。
- アクセシビリティ向上： 聴覚障がい者向けのリアルタイム文字起こし支援や、視覚障がい者向けの音声読み上げ機能など、様々な場面での利用が期待されます。
今すぐ試せる「Microsoft Foundry」と「MAI Playground」
これらの3モデルは、現在「Microsoft Foundry」でパブリックプレビューとして提供されています。また、「MAI Playground」やVercelなどでも利用可能です。
特に注目すべきは、「MAI Playground」で公開されている3モデルを組み合わせた音声エージェントのデモ
「Chatter」です。これは、日本語で話しかけると内容を認識しますが、応答設定に日本語がないため、例えば英語で返答する仕様となっています。しかし、このデモを通じて、新しいAIモデルが実現するリアルタイム対話の可能性を実際に体験することができます。
Microsoftは、OpenAIの「GPT-Realtime-Whisper」やGoogleの「Gemini 3.8 Live」、Metaの「Omnilingual ASR」など、競合他社もリアルタイム音声AI分野で活発な動きを見せる中で、今回の発表は開発者にとって新たな選択肢と可能性をもたらすものとなるでしょう。ぜひこれらのモデルを試して、次世代の音声エージェント開発に挑戦してみてはいかがでしょうか。
