Microsoft、初のストリーミング文字起こしモデル「MAI-Transcribe-2-Streaming」公開　音声合成「MAI-Voice-2.1」と高速版も

AI 要約

Microsoftは音声認識のストリーミングモデル「MAI-Transcribe-2-Streaming」と音声合成モデル「MAI-Voice-2.1」を発表し、Microsoft Foundryでプレビュー提供を開始した。低遅延なリアルタイム文字起こしと声のトーンを保った多言語音声合成に対応しており、音声AIエージェントの構築を主な用途として想定している。開発者や企業向けの音声インターフェース開発に大きな影響を与える可能性がある。