Microsoft AI: MAI-Transcribe 1.5

MAI-Transcribe 1.5は、Microsoft AIによる音声テキスト変換モデルで、2026年6月2日にリリースされました。文字起こしカテゴリに属するため、会話やコードを生成するのではなく、話された音声を書き言葉のテキストに変換するという1つの役割のために作られています。音声から始まるパイプラインを組み立てているなら、これがその最初のステップのためにMicrosoftが提供するコンポーネントです。

このモデルは音声を入力として受け取り、文字起こしを出力として返します。Microsoftはこれを多言語対応と説明しており、43言語および多様な音声条件下で信頼性の高い文字起こしが可能です。プロバイダーは、字幕、通話の文字起こし、サブタイトリング、アクセシビリティ、その他の音声対応アプリケーションに適していると述べています。コンテキスト長はモデルメタデータに公開されておらず、最大出力フィールドはゼロと記載されているため、実際の出力サイズは、文書化されたトークン予算ではなく、送信する音声の長さとサービス自体の処理によって決まります。

これらの機能は、かなり明確なユースケース群に対応します。録音済みまたはライブの素材に字幕やクローズドキャプションが必要なら、このモデルの字幕とキャプションへの注力が直接当てはまります。通話の文字起こしは、コンタクトセンターのアーカイブ、会議メモ、コンプライアンス録音をカバーします。録音された講演や社内動画を読めるようにするといったアクセシビリティの作業も、もう1つの適合例です。このモデルは43言語を扱えるため、多言語の視聴者に対応するチームは、ロケールごとに別々の認識器を維持するのではなく、それらの言語の音声を単一のモデルに通せます。録音の検索や要約など、下流の処理の前にテキスト層を必要とする音声対応アプリケーションも、ここから始まります。

これは、モデルID「microsoft/mai-transcribe-1.5」を使用して、api14のOpenAI互換APIを通じて呼び出します。エンドポイントはOpenAI形式に従っているため、他のモデルですでに使用している既存のクライアントライブラリとリクエスト形状が、特別な処理なしで機能します。このモデルには対応するリクエストパラメータが記載されていないため、標準のリクエスト構造で音声を送信し、サンプリング制御、temperature、または同様のつまみが文字起こしタスクに何らかの効果を与えると想定しないようにしてください。

提供された詳細には厳しい制限についての情報はほとんどないため、音声の長さとスループットは、ドキュメントから想定するのではなく、稼働中のサービスに対して確認すべき事項として扱ってください。また、そもそも音声テキスト変換モデルが本当に必要なのかどうかも検討してください。タスクが書き言葉間の翻訳である場合、または文字起こしに対するテキスト生成である場合、このモデルは認識ステップのみをカバーし、チェーンの残りの部分には別のモデルが必要になります。