Microsoft AI、音声エージェント向けストリーミング文字起こしと音声合成モデルを発表

Microsoft AIは、リアルタイム文字起こしエンジンと2つの音声合成モデルを投入した。会話型音声エージェントを構築する開発者向けにまとめられたパッケージである。The Decoderが2026年10月2日に報じたこのリリースは、同社のMAIモデルラインにストリーミング音声認識と多言語音声合成を追加するもので、開発者に単一ベンダーからのほぼ完全な「聞く・話す」スタックを提供する。

レイテンシが分水嶺となる

目玉となるモデルMAI-Transcribe-2-Streamingは、フレーズが完了してからではなく、発話されると同時に音声をテキストへ変換するよう設計されている。Microsoftによれば、最初の部分出力を100ミリ秒強で生成する。この数値は、音声インターフェースを構築する者にとって生の精度よりも重要である。

同社はまた、このモデルが第三者評価サイトArtificial Analysisの追跡する精度ランキングで首位に立つと主張している。これが独立した検証に耐えれば、Microsoftは速度と精度という、通常は音声認識器が話し手の思考が終わる前に解釈を確定しなければならない際に相反する2つの特性を兼ね備えることになる。

文中での応答がインタラクションを変える理由

語彙のカバレッジは60言語に及ぶ。しかしより重要な設計上の選択は、ストリーミングアーキテクチャそのものである。部分結果がほぼ即座に届くため、エージェントはユーザーがまだ話している間に返答を組み立て始められる。これは、トランシーバーのように感じられるシステムと、文がどこへ向かうかを先読みする人のように振る舞うシステムとの違いである。

年末まで、Microsoftは処理された音声1時間あたり0.54ドルの導入価格でこのサービスを提供している。大量のコールセンターや常時稼働のアシスタントにとって、この料金こそが速度優位が実際の導入につながるかどうかを決める数値となる。

23言語にわたる単一の声

音声合成側では、MAI-Voice-2.1は同じ声のアイデンティティを保ちながら23言語を話し、それぞれでネイティブなアクセントを採用するよう作られている。ロケールごとに異なる声の話者へ差し替えるのではなく、このモデルは一貫したペルソナを保つことを目指す。これは、アシスタントがサービスの認知可能な一部となる際に、ブランドやプロダクトチームが気にかけがちな特性である。

2つ目のバリアントMAI-Voice-2.1-Flashは、その豊かさの一部を速度と引き換えにする。Microsoftは150ミリ秒のレイテンシと、標準モデルの100万文字あたり22ドルから下がった15ドルの価格を報告している。

音声エージェントの価格計算

コスト構造は、スタートアップがどのモデル上に構築するかを決める要素であることが多く、Microsoftは開発者に明確な段階を示した。

• 文字起こし: 導入価格で音声1時間あたり0.54ドル、年末まで有効。
• 音声合成(標準): MAI-Voice-2.1、完全な多言語音声挙動を備える。
• 音声合成(高速): MAI-Voice-2.1-Flashは150ミリ秒のレイテンシと100万文字あたり15ドル、標準ティアの22ドルに対して。

これらの数値は、文字単位や分単位の料金がベンチマークスコアと同じくらい厳しく精査される、競争の激しい音声ベンダー分野で同社を直接の競争に置く。

声のクローニング — 保護措置付きで

両方の音声モデルは、わずか数秒の参照音声から話者の声を再現できる。この能力はアクセシビリティツール、ローカライゼーション、パーソナライズされたアシスタントにとって強力であり、なりすましの手段としても同様に強力である。Microsoftは組み込みの保護措置が悪用を防ぐことを意図していると述べているが、それらのガードレールの仕組みは公には明らかにされていない。

開発者がモデルを入手できる場所

これらのモデルは、他の配布チャネルの中でもMicrosoft FoundryとMAI Playgroundを通じて利用可能である。2つの音声モデルはOpenRouterにも登場しており、開発者は単一のプロバイダーにコミットすることなく、競合モデルと並べてリクエストをルーティングする手段を得られる。

測定された不気味の谷

Microsoftは、約4,000人の参加者が合成音声を聴くテストを実施した。そのうち約半数が、実際の人物の声を聴いていると信じた。この結果は両刃である。モデルが意味のあるリアリズムの閾値を超えたことを示唆すると同時に、聴き手が合成音声を人間として確実に受け入れるまでにどれだけの隔たりが残るかを示唆している。

プロダクトデザイナーにとっての要点は、残る懐疑が均等に分布しているわけではないということだ。短い試行で騙された聴き手でも、クローンされた声がアカウント情報や配送指示を尋ねる場合、つまり真正性への期待がより高まる文脈では、異なる反応を示すかもしれない。

未検証のまま残るもの

発表の中の目立つ主張のいくつかはMicrosoft自身によるものである。文字起こし精度ランキングの独立した評価、実際のネットワーク条件下でのレイテンシ数値、クローニング保護措置の堅牢性は、いずれも未解決の問いとして残っている。

• Artificial Analysisの精度ランキングはMicrosoftが主張するものであり、外部テストではまだ確認されていない。
• レイテンシ数値はモデルの挙動を表すものであり、本番環境でのエンドツーエンドの性能を反映しない可能性がある。
• 音声クローニングの悪用に対する保護措置は、一般的な表現でのみ説明されている。

このスタックを評価する開発者は、公表された数値を基準として扱う前に、アクセントのある発話、騒がしい環境、話者の重なりなど、自分たちの音声でテストしたいと考えるだろう。

なぜ重要か

音声エージェントは、言語理解よりもむしろ発話の交代の仕組みによってボトルネックになっていた。沈黙を待つシステムは会話的に感じられない。部分文字起こしを人間の反射の閾値以下に押し下げ、それを1秒の何分の一かで動く音声合成と組み合わせることで、Microsoftは次世代のアシスタントが知性と同じくらいリズムで評価されるだろうと賭けている。価格と保護措置が実世界の負荷に耐えるかどうかが、次に来るテストである。

この記事はThe Decoderの報道に基づいています。元の記事を読む。