Azure Speech での MAI-Transcribe (プレビュー)

メモ

この機能は現在、パブリック プレビュー段階です。 このプレビューはサービス レベル アグリーメントなしで提供され、運用環境のワークロードには推奨されません。 特定の機能がサポートされていないか、機能が制限されている可能性があります。 詳細については、「Microsoft Azure プレビューの使用条件を参照してください。

MAI-Transcribe モデルは、Microsoft AI (MAI) スーパーインテリジェンス チームによって開発された音声認識モデルです。 これらのモデルは、高精度と高効率の両方に最適化されており、LLM Speech API を通じて利用できます。

次のモデルがサポートされています。

  • mai-transcribe-1.5
  • mai-transcribe-1

前提 条件

  • Azure サブスクリプション。 無料で 作成できます。
  • Azure ポータルの 音声用のマイクロソフトファウンドリリソース。
  • 「スピーチ」リソースキーとリージョン。 Speech リソースがデプロイされたら、[ リソースに移動 ] を選択してキーを表示および管理します。 サポートされているリージョンの現在の一覧については、「 Speech Service リージョン」を参照してください。
  • WAV、MP3、またはFLACのいずれかの形式のオーディオ ファイル (サイズが 300 MB 未満)。

言語のサポート

既定では、モデルは多言語モードで動作します。 現在、次の言語がサポートされています。

言語コード Language MAI-Transcribe-1.5 のサポート MAI-transcribe-1 のサポート
ar アラビア語 ✅ ✅
as Assamese ✅
bg ブルガリア語 ✅
bn ベンガル語 ✅
ca カタルニア語 ✅
cs チェコ語 ✅ ✅
da デンマーク語 ✅ ✅
de ドイツ語 ✅ ✅
el ギリシャ語 ✅
en 英語 ✅ ✅
es スペイン語 ✅ ✅
et Estonian ✅
fi フィンランド語 ✅ ✅
fr フランス語 ✅ ✅
gu グジャラート語 ✅
hi ヒンディー語 ✅ ✅
hu ハンガリー語 ✅ ✅
id インドネシア語 ✅ ✅
it イタリア語 ✅ ✅
ja 日本語 ✅ ✅
kn カンナダ語 ✅
ko 韓国語 ✅ ✅
lt リトアニア語 ✅
ml Malayalam ✅
mr マラーティー語 ✅
nb ノルウェー語 (ブークモール) ✅ ✅
nl オランダ語 ✅ ✅
or Odia ✅
pa パンジャブ語 (グルムキ語スクリプト) ✅
pl ポーランド語 ✅ ✅
pt ポルトガル語 ✅ ✅
ro ルーマニア語 ✅ ✅
ru ロシア語 ✅ ✅
sk スロバキア語 ✅
sl スロベニア語 ✅
sv スウェーデン語 ✅ ✅
ta Tamil ✅
te Telugu ✅
th タイ語 ✅ ✅
tr トルコ語 ✅ ✅
uk ウクライナ語 ✅
vi ベトナム語 ✅ ✅
zh 中国語（簡体） ✅ ✅

MAI-Transcribe モデルを使用する

LLM Speech API で MAI 文字起こしモデルを使用して、オーディオ入力から文字起こしを生成できます。

MAI-Transcribe モデルを使用する場合は、次の制限事項に注意してください。

  • Diarization はサポートされていません。
  • プロンプトのチューニングはサポートされていません。
  • フレーズ リストと文字起こしスタイルは、 mai-transcribe-1.5でのみサポートされています。

拡張モードで文字起こしの使用を開始するには、まず LLM Speech のクイック スタートに従います。 次に、 Modelを指定します。

拡張モードで文字起こしの使用を開始するには、まず LLM Speech のクイック スタートに従います。

MAI-Transcribe モデルを使用するには、要求に応じて model プロパティを設定します。

curl --location 'https://YourResourceName.cognitiveservices.azure.com/speechtotext/transcriptions:transcribe?api-version=2025-10-15' \
--header 'Content-Type: multipart/form-data' \
--header 'Ocp-Apim-Subscription-Key: <YourSpeechResourceKey>' \
--form 'audio=@"YourAudioFile.wav"' \
--form 'definition={
  "enhancedMode": {
    "enabled": true,
    "model":"mai-transcribe-1.5"
  }
}'

必要に応じて、 locales で言語コードを指定して、1 つの言語で強制的に認識します。 例えば次が挙げられます。

--form 'definition={
  "locales": ["en"],
  "enhancedMode": {
    "enabled": true,
    "model":"mai-transcribe-1.5"
  }
}'

必要に応じて、 mai-transcribe-1.5の場合は、 transcribeStyleを使用してトランスクリプト出力のスタイルを指定できます。 既定では、モデルは読みやすく最適化されたトランスクリプトを返します。 値を verbatim に設定すると、つなぎ言葉や言いよどみを含む元の発話内容を保持できます。

  "enhancedMode": {
    "enabled": true,
    "model":"mai-transcribe-1.5",
    "transcribeStyle":"verbatim"
  }

必要に応じて、 mai-transcribe-1.5では、 phraseListを使用して特殊化されたドメインの精度を向上させるフレーズの一覧を追加できます。 これにより、エンティティのバイアスが実装されます。

 --form 'definition={
   "phraseList": {
     "phrases": ["Contoso", "Jessie", "Rehaan"]
   },
   "enhancedMode": {
     "enabled": true,
     "model": "mai-transcribe-1.5"
   }
 }'

拡張モードで文字起こしの使用を開始するには、まず LLM Speech のクイック スタートに従います。 次に、 enhancedMode プロパティでモデルを指定します。

拡張モードで文字起こしの使用を開始するには、まず LLM Speech のクイック スタートに従います。 次に、 EnhancedMode プロパティでモデルを指定します。

拡張モードで文字起こしの使用を開始するには、まず LLM Speech のクイック スタートに従います。 次に、 enhancedMode プロパティでモデルを指定します。

拡張モードで文字起こしの使用を開始するには、まず LLM Speech のクイック スタートに従います。 次に、 EnhancedModeOptions オブジェクトでモデルを指定します。

Voice Live で MAI-Transcribe を使用する

Voice Live API の入力オーディオ文字起こしに MAI-Transcribe モデルを使用することもできます。 model セッション構成の [input_audio_transcription] フィールドを設定します。 詳細については、「 Voice Live の入力と出力をカスタマイズする方法」を参照してください。

関連コンテンツ

  • Last updated on