Microsoft AI は 9 月 3 日、音声認識モデル MAI-Transcribe-2 を発表しました。60 言語の FLEURS ベンチマークで平均単語誤り率 5.2% と首位を獲得し、Gemini 3.5 Transcribe、GPT-Transcribe、Whisper V3-Large、ElevenLabs ScribeV2 を上回ったと説明しています。長尺音声のレイテンシは競合比で最大 10 倍高速、価格は音声 1 時間あたり 0.10 ドルに設定され、5 か月前に投入した初代モデル (0.36 ドル/時間) から約 72% の値下げとなりました。
主なポイント
- 60 言語 FLEURS ベンチマークで首位、平均単語誤り率 5.2% (Microsoft 発表値)
- 話者分離、単語単位タイムスタンプ、書き起こしスタイルの指定に対応
- 長尺音声の推論を競合比で最大 10 倍高速化、レイテンシと単価の両面で優位性を主張
- 価格は音声 1 時間あたり 0.10 ドル、初代 (0.36 ドル/時間) から約 72% の値下げ
- 主要競合 Gemini 3.5 Transcribe、GPT-Transcribe、Whisper V3-Large、ScribeV2 を上回るスコアと説明