何が起きたか
Microsoftは、話している最中に文字起こしを返す音声認識モデル「MAI-Transcribe-2-Streaming」を公開しました。60言語に対応し、話し始めから約0.1秒で最初の文字が表示されるとしています。開発者向け基盤「Microsoft Foundry」で、年末まで1時間あたり0.54ドルの導入価格で使えます。音声合成モデル「MAI-Voice-2.1」も更新されました。
実務への影響
会議の同時字幕やコールセンターの通話記録を自社システムに組み込む際の候補が増え、費用の見積もりも立てやすくなります。
出典
Microsoft AI 公式microsoft.ai英語 ↗Microsoft Learn（製品説明）learn.microsoft.com英語 ↗上の要約は通り道編集部がまとめたものです。詳細は各出典をご確認ください。