Microsoft AI: MAI-Transcribe 2

Microsoft AI MAI-Transcribe 2は、Microsoftの第2世代文字起こしファミリーの、録音音声を対象とする音声認識版です。60言語の発話を文章に変換し、自動言語識別と、言語が切り替わる発話に対応します。話者分離、単語単位の時刻、選択可能な文字起こし形式が加わっています。有用な成果物には、話者付きの会議文字起こし、検索できるインタビュー記録、字幕のアラインメントデータ、専門用語を含む確認済みの口述文があります。

発話内容を欠かさず録音を用意します。メーカーの入力形式はWAV、MP3、FLACです。不確かな語、名前、数値を認識テキストと比べられるよう、元の音声を保持します。背景雑音やマイク品質の違いに対応する設計ですが、確認では不明瞭な箇所や発話の重なりに注目します。インタビューでは、回答の解釈に必要な文脈を消さず、発言と間の順序を保持します。

自動言語検出は、事前に言語が分からない場合に便利です。記載された60言語には、英語、ロシア語、中国語、日本語、韓国語、アラビア語、フランス語、ドイツ語、スペイン語、インドネシア語、マレー語、タイ語、ベトナム語があります。言語の切り替えには、HinglishやSpanglishのような混合も含む自然な変更が含まれます。メーカーのインターフェースは1つの言語ヒントも受け付け、強い指示と説明しています。多言語会話を1言語に押し込めず、録音が実際にその言語である場合だけ使ってください。

キーワードの認識支援では、音だけでは識別しにくい専門用語、略語、商品名、固有名詞を渡せます。プロジェクト名、製品系列、議論の専門語など、録音に関係するリストを用意します。配信ガイドは、強制一致ではなく認識ヒントと説明しています。技術講義なら、機器名や専門用語の正確な綴りを含め、実際に発話した位置に文字起こしされるかを確認します。語を渡したことは、話者がその語を言った証拠ではありません。

成果物の用途に合わせて出力形式を選びます。記載された既定のVerbatimは、フィラー、言い直し前の発話、自己訂正を残します。Cleanは発話のつかえなどを除いて読みやすくします。会話の展開を調べる記録ならためらいや訂正を残し、読みやすい授業の文字起こしなら整文を使えます。どちらにも元の音声を添えます。整文は発話の見せ方を改善する処理であり、別の要約や発言意図の新しい解釈ではありません。

話者分離は検出した話者ごとに発言を分け、単語単位のタイムスタンプは各語のオフセットと長さを提供します。配信インターフェースでは、区間単位の時刻や時刻なしも選べます。区間は言語別、話者分離が有効なら話者別にも分けられます。時刻フィールドはミリ秒で、位置への移動、検索、編集を支援できます。ラベルは検出した話者の区別であり、参加者名との対応は別途確認します。字幕では、認識結果を完成済み字幕ファイルとみなさず、確認した単語時刻から読みやすいキューを用意します。

モデルカードは最大ファイルサイズ300 MB、長さ2時間を示しています。一方、リンク先の2025-10-15インターフェースの同期RESTリファレンスは、250 MB未満、2時間未満を要求します。モデルカードと配信には、別々の公開制約があります。適用される配信枠内のファイルを用意してください。MAIガイドは、話者分離では話者分離なしの文字起こしより短い録音を扱うとも示しています。話者の特定が必要な長い資料は、意味のまとまった区間に分け、後の確認用に元の録音内の位置を保持します。

記載された出力は、全文、フレーズ、要求した場合の話者・時刻情報を含む構造化文字起こしデータです。フレーズにはテキスト、言語、オフセット、長さを持たせられ、単語時刻は認識語を音声に結び付けます。検索できるアーカイブでは、見つけた語から録音へ戻れるよう、この関係を残します。会議では、確認済みの文字起こしを後の要約や対応事項抽出の入力にできます。音声モデルの結果は認識した内容であり、会議の決定を独立に検証した記録ではありません。

版の違いは具体的です。MAI-Transcribe 1.5は43言語、この版は60言語で、記載された話者分離、単語タイムスタンプ、clean/verbatim制御が加わります。MAI-Transcribe 2 Streamingは、独自の機能を持つ逐次リアルタイム文字起こしの別モデルです。その最初の部分結果の遅延は、この録音音声版を表しません。字幕、引用、派生文書の原資料として使う前に、名前、数値、話者のターン、混合言語の箇所を音声と照合してください。