Microsoft AI: MAI-Transcribe 2

Microsoft AI: MAI-Transcribe 2 は、Microsoft の音声テキスト変換モデルで、2026年9月3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、その役割は狭く具体的です。つまり、話された音声を書き言葉のテキストに変換することです。Microsoft はこれを多言語システムとして位置づけており、提供元によれば FLEURS 多言語ベンチマークで第1位にランクされています。あなたの業務が複数の言語の音声を扱うなら、提供元の裏付けとベンチマークでの順位というこの組み合わせが、汎用モデルではなくこのモデルを検討すべき主な理由です。

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。60言語をカバーし、自動言語識別を実行するため、リクエストを送信する前にどの言語が話されているかを伝える必要はありません。またコードスイッチング、つまり話者が同じ録音内で言語を切り替える音声も処理します。公開されている詳細にはトークン単位のコンテキスト長は記載されておらず、最大出力はゼロとされているため、このモデルは長いテキスト指示でプロンプトできるものではなく、純粋な文字起こしエンドポイントとして扱ってください。モデルを識別して音声を渡すために API が必要とするもの以外に、サポートされているリクエストパラメータは記載されていません。

実用的な用途は、これらの機能から直接導かれます。多言語組織における会議や通話の録音は明らかな適合先であり、特に参加者が会話の途中で言語を切り替える場合に適しています。メディアやポッドキャストのワークフローでは、別途言語検出の手順を踏まずに文字起こしを生成するために使用できます。サポートされている60言語のいずれかで音声を扱う研究やアーカイブプロジェクトでは、音声を送信してテキストを返すことができます。言語識別が自動であるため、混合言語の音声に対するバッチジョブを事前に並べ替えたりタグ付けしたりする必要はありません。

このモデルは、モデル id "microsoft/mai-transcribe-2" を使用して api14 の OpenAI 互換 API を通じて呼び出します。インターフェースは OpenAI 形式に従っているため、すでに OpenAI 互換のベース URL を指している既存のクライアントや SDK を再利用でき、音声を入力として送信し、文字起こしをレスポンスで受け取ります。このモデルにはサポートされているパラメータの記載がないため、リクエストは最小限に保ってください。モデル id を設定し、音声を添付し、サンプリングやフォーマットのオプションが何らかの効果を持つと想定しないようにします。サポートされていると記載されていないパラメータは、省略するのが最も安全です。

制限について、利用可能な事実は乏しいです。コンテキスト長の記載はなく、最大出力はゼロであり、これはこのモデルがテキスト入力、テキスト出力のプロンプトや長い生成レスポンスを目的としていないことを示唆しています。タスクが文字起こしに対する推論、要約、翻訳、または何らかのテキスト生成を必要とするなら、テキストモデルの方が適しており、まず MAI-Transcribe 2 を使用して文字起こしを生成します。音声がサポートされている60言語の範囲外である場合、このモデルは役に立たない可能性が高いです。