Azure AI Speech 09-2026が対応言語を拡充、速度の主張は短い音声の高並列処理が中心

対応範囲では言語とロケールを区別する

主な拡充点は、インドの11言語を含む25言語の追加である。Microsoftは新しいインド言語の対応として、アッサム語、ベンガル語、グジャラート語、カンナダ語、マラヤーラム語、マラーティー語、オディア語、パンジャブ語、タミル語、テルグ語、ウルドゥー語を挙げ、ほかにカタルーニャ語、マレー語、ウェールズ語も例示している。公表上は全体で50言語、60を超えるロケールに対応する。同じ言語でも地域によって異なるロケール設定が必要になる場合がある。

記事は、クウェートでの診察にアラビア語、ヒンディー語、インド英語が一つの録音に含まれる場面を例としている。これは言語が混在するワークフローのベンダー例であり、AISubHubが評価した臨床導入事例ではない。本站の分析では、単一言語の音声アーカイブと、会話中に言語が切り替わる録音では設定を分ける必要がある。リンク先の完全な対応表は別途読んでおらず、本稿の列挙は利用資格や適用対象の網羅的な一覧ではない。

品質の数値には評価範囲の制約がある

Microsoftは認識の改善について、社内データとGigaSpeech、VoxPopuliなどの公開ベンチマークを用いた内部評価によるものとしている。Token Error Rateは最大25%、Entity Error Rateは37%改善したとし、金融場面では決算に関わるエンティティを特に挙げている。計算の基準は明示されていない。これらをパーセントポイント単位の改善や、すべての言語、アクセント、録音条件で同じ結果を得られるという約束として解釈してはならない。

発表には、元の誤り率、テストセットの完全な内訳、サンプル数、数値を再現するために十分な評価設定が示されていない。本站の理解では、エンティティに重点を置く評価は、文字起こしが自然に読めるかに加え、業務上重要な専門語を正しく捉えているかを問う。しかし、金融エンティティの結果だけでは医療用語の正確さを裏付けられない。組織で判断するには、難しい名称や言語の切り替えも含む、自らのラベル付きサンプルが必要になる。

速度の主張は負荷条件付きで、無音も別途検査する

比較対象はLLM Speech 2607であり、すべての音声製品やAzureの全文字起こしモードではない。Microsoftは処理が最大2倍高速になると主張し、特に5～10秒の短い音声を高い並列度で扱う場合を挙げる。ここでの高並列とは、複数ストリームを同時に処理することだと説明している。これは所定の負荷条件における処理性能であり、固定されたエンドツーエンド遅延、ストリーミングのサービス水準保証、顧客の請求額の比例的な減少を示すものではない。

Microsoftは無音や空の音声で架空の内容を生成する問題の低減にも言及するが、発生率は数値で示していない。低減という主張は、無音から決してテキストを出さないという保証とは異なる。本站の分析では、受け入れ試験には高負荷の入力と静かな入力の両方を含めるべきである。短い録音の並列処理はスループットの振る舞いを示し、空や無音のファイルは下流の処理に架空の内容が渡されないかを確かめる材料になる。AISubHubはいずれの試験も実施していない。

混合言語向けの原則と未検証の設定例を分ける

複数の対応言語を含むファイルについて、本文は多言語モードが既定であると説明し、localeヒントを省くよう勧めている。localeヒントは実際に単一言語である音声に使うものであり、複数言語の会話を一つの言語に強制する手段として扱わない。この適用場面の違いを保ったまま、記事のリクエスト例を読む必要がある。

一方、近くに掲載された例にはlocalesリストがあり、説明は既知のロケールがある場合を示している。表示されたリストのロケール値には引用符がなく、そのdefinitionは記載どおりでは有効なJSONではない。本站はコマンドを実行せず、修正したリクエストも検証していない。まず単一言語か混合言語かを判断し、その後に現在のリクエスト仕様を別途確認するのがよいと考える。この例をコピーするだけでは、連携が動作した証拠にはならない。

フレーズリストは、製品名、略語、専門分野の語彙に対する別の調整手段である。Microsoftは専用のphraseListパラメーターで最大2,000件のフレーズを指定できるとしている。これは語彙入力の上限であって、一覧の全語句が認識されるという主張ではなく、ヒントが効果評価に代わることも意味しない。リンク先の設定資料は別途読んでいない。

提供の説明だけでは更新完了時刻や価格は分からない

発表はFast Transcription APIを提供の入口とし、REST、SDK、Foundry Playgroundへの導線を示している。また、顧客側の操作は不要で、更新はサービス側で自動配備されるとも述べる。本文には、配備の正確な完了時刻、地域一覧、アカウントのプラン条件、価格変更が示されていない。「現在利用可能」という表現と将来の自動配備の説明を合わせ、すべての顧客がすでに切り替わったと結論づけることはできない。

本站の分析から整理する確認項目は、対象リソースでの利用可否を確認し、録音に合わせてlocaleの扱いを選び、重要な語彙と無音入力を試し、想定する並列度を測ることである。これは発表の条件から導いた評価の進め方であって、試験済みの設定や性能へのお墨付きではない。本稿のためにAPI呼び出し、配備、料金比較、独立した認識実験は行っていない。