MAI-Transcribe-2を調べると、音声ファイルを送る説明と、リアルタイムに音声を送る説明が出てきます。ライブ字幕を作るなら、確認するのはMAI-Transcribe-2-Streamingです。録音後の文字起こしと同じ呼び出し方で使える、と考えないことが出発点になります。
2026年11月6日にMicrosoft Learnで確認した時点ではStreaming版はパブリックプレビューで、SLAはなく、本番ワークロードには推奨されていません。私は、会話中に字幕が必要な用途で小さく検証する候補と考えています。会議後の議事録だけが目的なら、通常版や既存ツールも含めて、完成までの手間を比較するほうが実務的です。
通常版とStreaming版で、音声の渡し方が違う
通常のMAI-Transcribeのガイドは、音声ファイルを送る方法や、話者分離、文字起こしの形式などを案内しています。一方、Streaming版のRealtime APIガイドは、WebSocket接続で音声を逐次送り、途中結果と確定結果を受け取る方式です。
Streaming版には、Azureサブスクリプション、対応リージョンのFoundryリソースとモデルのデプロイが必要です。1セッションは最大1時間。通常版で案内されている設定や形式が、そのままStreaming版にもあると仮定しないでください。
90分の会議を例にすると、1接続で最後まで流す設計は制限に合いません。切り替えのタイミング、切り替え中の音声、再送した部分が重複しないかを、検証項目に加えます。単に再接続できるだけでは、議事録が欠けないことの証明にはなりません。
Realtime APIで音声を送り、字幕を確定する手順
- 接続して設定を確定する。 対応リージョンにデプロイしたモデルの名前を使います。WebSocket接続後、
session.createdを受けてからsession.updateで言語・音声形式などを設定し、session.updatedを確認します。最初の音声を送った後は、区間を確定しても同じセッションの設定を変更できません。 - 音声データの中身だけを送る。 モノラル、符号付き16ビットのリトルエンディアンPCMで、16 kHzまたは24 kHzを指定します。WAVヘッダーを除いた音声をBase64化し、
input_audio_buffer.appendで送ります。公式ガイドでは低遅延向けに10〜20ミリ秒単位を例示しています。 - 発話の切れ目で区間を確定する。 このモデルにはサーバー側の自動発話検出・自動確定がありません。クライアントが
input_audio_buffer.commitを送ります。input_audio_buffer.committedは受け付けた合図で、確定文が届くのは文字起こしのcompletedイベントです。保存はその時点で行います。
送信量を点検する例です。モノラル16 kHzの20ミリ秒は320サンプル、PCM16ならBase64化する前のサイズは640バイトです。24 kHzでは同じ20ミリ秒が960バイトになります。手元で20ミリ秒の無音データを作り、Base64化して戻したバイト数を確認しました。これは送信データの形式の確認で、Azureへの接続や認識精度の測定は行っていません。Microsoft Learnの音声形式とイベント仕様
導入価格は1時間0.54ドル。期間と音声時間をそろえる
Microsoft AIの2026年10月1日発表は、60言語と継続的な言語検出を案内し、Streaming版の導入価格を2026年末まで音声1時間あたり0.54米ドルとしています。この価格を2027年以降の固定予算にそのまま使わないようにします。
1回30分の音声を月20回処理する架空例なら、30分÷60×20回=10時間、モデル利用料は10×0.54=5.40ドルです。2系統の音声を別々に同じ時間だけ送る想定なら、送信する音声時間は20時間となり、単純計算は10.80ドルになります。参加者数と、実際に処理する音声ストリーム数は同じとは限りません。
ここで計算したのは告知単価による概算だけです。税、為替、保存、通信、議事録の要約に使うモデル等は含みません。再送を含む課金対象時間や契約条件は実際の利用明細で照合してください。課金が発生する音声APIでの実測は、まだしていません。
途中結果を全部つなぐと、字幕が重複する
Realtime APIでは、intermediateは現在の仮の末尾を置き換え、deltaは確定した文字列を追加します。completedはcommit区間全体の確定結果です。すべてのイベントの文字列を同じ保存先に追記する設計では、同じ発話を二重に保存してしまいます。
次はAPIから得た実音声の結果ではなく、表示処理を確かめるために作ったイベント列です。確定済み部分を「納期は」、仮の末尾を別の変数で持つと考えます。
| 届いた内容 | 画面の表示 |
|---|---|
| delta:納期は | 納期は |
| intermediate:木曜 | 納期は木曜 |
| intermediate:金曜 | 納期は金曜 |
| delta:金曜日です。 | 納期は金曜日です。 |
| completed:納期は金曜日です。 | 確定文を保存。さらに同じ文を足さない |
仮の「木曜」を残してはいけません。新しい確定部分を受け取ったときは古い仮表示も整理し、保存には区間の確定文を使います。複数区間や再接続を扱う実装では、区間の識別と保存済み状態も管理します。
この架空のイベント列を使って、表示と保存の処理をローカルで動かし、最後に保存される文が1件になることを確かめました。接続や音声認識の精度、遅延はまだ見ていません。
日本語の試験は「聞き間違えると困る項目」から
60言語対応という数字だけでは、自社の人名、製品名、数字の認識精度は分かりません。利用可能な言語・リージョンを公式資料で確認したうえで、合意を得た音声や自作の短いテスト音声を使います。
- 数字と単位:「15個」と「50個」、「1万2,500円」を含む文。
- 否定と訂正:「木曜ではなく金曜」「注文しないでください」を含む文。
- 固有名詞:自社製品の名前と、よく似た別の言葉。
- 環境差:静かな場所と、実際に想定する雑音のある場所。
評価は、字幕が最初に出る時間、確定する時間、確定文の誤り、手直し時間を分けて記録します。途中の字幕が速くても、金額や否定が確定文で間違っていれば、注文処理などに直接つなげる根拠にはなりません。
最初は字幕だけで、区間の最後まで確かめる
最初の検証では、文字起こしを表示・保存する範囲に絞ると原因を追いやすくなります。途中結果で外部操作を実行する前に、訂正や再接続が起きても、古い内容を確定扱いしないことを確認してください。
私は、価格の安さより「あとから直す時間がどれだけ残るか」を導入判断に使います。業務用のAI評価手順と手直しを含めたROIの計算例に沿って、字幕と完成した議事録を別々に採点してみてください。
APIを組まずに、Web会議の内容をそのまま文字にして議事録まで作りたいだけなら、Nottaのような文字起こしサービスのほうが手早く済みます。対面の会議も録りたいなら、Notta MemoやPlaudのような専用機との違いをAIボイスレコーダーの比較でまとめています。
