Dongcha が AI ニュースを打ち破り、Microsoft AI は、MAI-Transcribe-2-Streaming、MAI-Voice-2.1、MAI-Voice-2.1-Flash という 3 つのオーディオ モデルを一度に発表しました。前者はリアルタイムの音声をテキストに変換する役割を果たし、後の 2 つは主に低遅延音声エージェント向けにテキストを音声に生成する役割を果たします。
このうち MAI-Transcribe-2-Streaming は、人が話し終わる前にテキストを出力し続けることができ、60 の言語と自動言語検出をサポートしています。 Artificial Analysis のストリーミング音声文字起こしランキングによると、最終および最初の部分文字起こし精度の両方で第 1 位にランクされ、単語エラー率は 2.5% でした。最終テキストは、音声の終わりが検出されてから約 0.13 秒後に返されました。これに対し、Grok Voice Transcribe 2.0 では 2.7% で 0.49 秒でした。
MAI-Voice-2.1 は 23 の言語をサポートしており、同じ音声を異なる言語間で切り替えることができます。 Flash バージョンは遅延を減らすように設計されており、モデル推論時間は約 45 ミリ秒、価格は 100 万文字あたり 15 ドルです。標準バージョンは約 550 ミリ秒で、価格は 22 ドルです。どちらのモデルも、短いリファレンス オーディオとのボーカル マッチングをサポートしています。
この組み合わせにより、音声エージェントのエクスペリエンスに最も影響を与える待機の問題が解決されます。このシステムは、ユーザーが話しているときに事前に文字起こしと推論を開始し、作業を開始する前に完全な文が終了するのを待つことなく、Flash を使用して音声応答を迅速に生成できます。