マイクロソフト、最長1時間の音声を話者ごとに文字起こしする音声AIを公開

Microsoftは、音声認識（ASR）と音声合成（TTS）を扱うオープンソースの音声AI基盤「VibeVoice」の開発を継続している。最新のアップデートでは、ストリーミング対応の「VibeVoice-ASR-Streaming」や、CPU環境で軽量に動作する推論エンジン「VibeVoice-ASR-BitNet」などを相次いで公開した。

中核となる「VibeVoice-ASR」は、最大60分間の音声を64Kトークンの枠内で一括処理できる音声認識モデルだ。音声を短く分割する従来手法とは異なり、全体の文脈や話者の一貫性を保ちながら処理を行う。音声認識に加えて話者識別とタイムスタンプ付与を同時に実行し、「誰が・いつ・何を話したか」を構造化して出力する特徴を持つ。50言語以上に対応し、専門用語などの精度を高めるカスタムホットワードの設定も可能となっている。

実行環境への対応も進められている。2026年7月にはCPU向け推論エンジン「VibeVoice-ASR-BitNet」を公開した。異種量子化（I8_SおよびI2_S）技術によってモデルサイズを4.62GBから1.58GBへと圧縮し、GPUを搭載しない3スレッド以上のCPU環境においてリアルタイム係数（RTF）1未満での推論を実現した。さらに、2026年9月には音声の入力に合わせてリアルタイムでテキストを出力するストリーミングモデルを公開した。

一方で、研究フレームワークとしての安全性管理にも直面している。2025年8月に最長90分の音声を最大4人の話者で合成できる「VibeVoice-TTS」を公開し、国際会議ICLR 2026のオーラル発表に採択された。しかし、意図と異なる使われ方が確認されたため、同社が掲げる責任あるAIの原則に基づき、同リポジトリからTTSのコードを削除した経緯がある。同社はディープフェイクや偽情報への悪用リスクを警告し、現段階では商用利用や実環境での運用を推奨せず、研究開発用途に限定するよう呼びかけている。