Microsoft AI: MAI-Transcribe 2 API
Microsoft AIが開発した多言語音声文字起こしモデルで、60言語の自動識別や話者分離、単語単位のタイムスタンプに対応します。
MAI-Transcribe2は、Microsoft AIが開発した多言語の音声テキスト変換モデルです。音声を入力すると文字起こしテキストを出力し、60言語に対応した自動言語識別に加え、複数言語が混在する発話も扱えます。話者の区別と単語単位のタイムスタンプを付けられ、専門分野の用語に合わせたキーワード指定や、逐語的な書き起こしと読みやすく整えた書き起こしの切り替えも可能です。
会議の記録や字幕作成、通話の文字起こし、アクセシビリティ向けのテキスト化に適しています。話者情報付きで検索できる記録は、要約やアクション項目の抽出にも活用できます。コンタクトセンターや営業通話の品質確認・コーチング・コンプライアンス対応、音声エージェントの記録分析、動画の字幕作成やローカライズにも利用できます。
公開プレビュー中のバッチ処理モデルで、リアルタイム文字起こしには別途Voice Liveの設定が必要です。公開されているベンチマークでは、FLEURSの60言語評価で5.2%の単語誤り率を記録しています。これらの数値はMicrosoftによる評価を含み、独立した最終評価ではありません。
更新日時:
モデル ID
mai-transcribe-2- コンテキスト
- 0
- 最大出力
- 0
- 入力
- audio
- 出力
- transcription
ハイライト
- 60言語を自動識別
- 混在言語の発話に対応
- 話者分離と単語単位の時刻
- 用語指定と書き起こし形式の切り替え
- 逐語・整文スタイルに対応
プロバイダー
プロバイダーごとの API 料金を比較できます。プロバイダーを選択すると、すべての料金と適用条件を確認できます。
| 稼働率 | ||
|---|---|---|
| $0.000027777777777777777777777777777777777777777777777778 |
過去の統計はリアルタイムの稼働確認ではありません。データの欠損は障害を意味しません。
ベンチマーク
- 5.2%
FLEURS多言語ベンチマーク(60言語)
平均単語誤り率で、1位と報告されています。
- 3.4%
FLEURS多言語ベンチマーク(上位25言語)
単語誤り率です。
- 2.5%
Artificial Analysis単語誤り率ランキング
概算の誤り率で、2位と報告されています。
- 18 of21
DAI-ASR-I18N
評価対象の言語のうち、18言語で文字起こし誤り率が最も低いとされています。
- 16
DAI-ASR-I18N
文字起こし誤り率が10%未満だった言語数です。
スコアはモデル提供元が公表した値です。
API リファレンス
このモデルのプロトコル情報は未公開です。接続要件は API リファレンスを確認してください。
API リファレンス →よくある質問
モデルについて: Microsoft AI: MAI-Transcribe 2?
MAI-Transcribe2は、Microsoft AIが開発した多言語の音声テキスト変換モデルです。音声を入力すると文字起こしテキストを出力し、60言語に対応した自動言語識別に加え、複数言語が混在する発話も扱えます。話者の区別と単語単位のタイムスタンプを付けられ、専門分野の用語に合わせたキーワード指定や、逐語的な書き起こしと読みやすく整えた書き起こしの切り替えも可能です。 会議の記録や字幕作成、通話の文字起こし、アクセシビリティ向けのテキスト化に適しています。話者情報付きで検索できる記録は、要約やアクション項目の抽出にも活用できます。コンタクトセンターや営業通話の品質確認・コーチング・コンプライアンス対応、音声エージェントの記録分析、動画の字幕作成やローカライズにも利用できます。 公開プレビュー中のバッチ処理モデルで、リアルタイム文字起こしには別途Voice Liveの設定が必要です。公開されているベンチマークでは、FLEURSの60言語評価で5.2%の単語誤り率を記録しています。これらの数値はMicrosoftによる評価を含み、独立した最終評価ではありません。
利用料金はどのように計算されますか?
料金は利用するプロバイダーと実際の使用量により決まります。長い入力などは料金が異なる場合があります。内訳をご確認ください。
どのような入力と出力に対応していますか?
音声を入力し、文字起こしテキストを出力します。
対応言語や混在言語の発話について教えてください。
60言語に対応し、自動で言語を識別します。複数言語が混在する発話にも対応します。
コンテキスト長や出力上限はどのくらいですか?
コンテキスト長と出力上限の情報は示されていません。
どのようなタスクに向いていますか?
会議記録、通話の文字起こし、字幕作成、アクセシビリティ向けのテキスト化などに適しています。話者分離や単語単位のタイムスタンプも利用できます。
同系列のモデルとの違いは何ですか?
MAI-Transcribe2とMAI-Transcribe1.5の機能上の違いは示されていません。MAI-Transcribe-2-Streamingは、最初の部分文字起こしを約100 millisecondsで提供するストリーミング版です。