MAI-Transcribe-1.5は、Microsoft AI Superintelligence Teamが2026年6月2日に公開した多言語音声-テキスト変換（Speech-to-Text、STT）モデルである。43の言語をサポートし、背景ノイズを含む音声や長時間の録音を迅速に文字起こしする実運用環境を目標としている。人が長い録音ファイルを最初から最後まで書き起こす代わりに、検索可能な草案を最初に作成する、熟練の速記者に近い。ただし、公式の入力形式、最大音声長、話者分離（Speaker diarization）、タイムスタンプの単位、およびAPIの応答構造は、提供された情報だけでは確認できないため、実際の導入前に公式モデルページの最新の仕様を確認する必要がある。 一般的な自動音声認識は、日常会話には強いが、医薬品名、遺伝子名、研究者名、製品コードなど、頻度が低く、発音が似ている単語を一般的な表現に置き換えてしまうことがある。MAI-Transcribe-1.5の主要な差別化ポイントであるKeyword Biasing（キーワードバイアス）は、ユーザーが重要な用語を事前に指定することで、モデルがその語彙を文脈に合わせて選択するように誘導する。これは、モデル全体を別途再学習することなく、文字起こしの対象となる語彙環境を知らせる方法として理解できる。ナビゲーションで目的地を最初に入力すると、似た地名の中から正しい経路を選択しやすくなるように、専門用語のリストは、音響的に似た候補の中からドメインに適した表現を選択するための手がかりとなる。Keyword Biasingの正確なリクエストフィールド、キーワード数の制限、重み付けの可否は、公式のAPIドキュメントで追加確認が必要である。 生命科学の研究者は、実験会議や臨床研究のインタビューを文字起こしする際に、研究課題名、標的タンパク質、候補物質コード、および機器名をキーワードとして提供する方法を検討できる。例えば、43のサポート言語範囲内の多言語研究会議に、プロジェクト用語集を組み合わせて、最初の文字起こしを作成し、その後、人が元の音声と比較して、規制文書や研究記録として確定する流れである。背景ノイズへの対応は、実験室や学会会場で収集した録音の活用可能性を高めるが、ノイズレベル別のエラー率と生命科学の専門用語の認識率に関する定量的な性能は、提供された情報からは確認できない。したがって、代表的な録音と正解の文字起こしを使用して、単語エラー率（Word Error Rate、WER）、専門用語の再現率、および言語ごとのばらつきを事前に評価することが適切である。 別の活用方法として、長時間のセミナーやユーザーインタビューをテキストに変換した後、検索・要約・テーマ分類パイプラインに接続する方法がある。文字起こし結果から、実験条件、有害事象の言及、または繰り返しの質問を抽出することで、人が全体の音声を繰り返し聞く時間を短縮できる。ただし、自動文字起こしは、研究判断や臨床記録の最終的な根拠としてではなく、レビュー可能な草案として扱う必要があり、患者の音声や未公開の研究データについては、Microsoftのデータ処理、保存、学習使用の有無と、地域ごとの規制遵守条件を事前に確認する必要がある。公開された情報だけでは、配布地域、セキュリティ認証、およびデータ保存ポリシーを確定できないため、機密情報を使用する組織には、別途の法務・セキュリティレビューが必要である。

MAI-Transcribe-1.5は、Microsoft AI Superintelligence Teamが2026年6月2日に公開した多言語音声-テキスト変換（Speech-to-Text、STT）モデルである。43の言語をサポートし、背景ノイズを含むオーディオや長時間の録音を迅速に文字起こしする実運用環境を目標としている。人が長い録音ファイルを最初から最後まで書き起こす代わりに、検索可能な草案を最初に作成する、熟練した速記者に近い。ただし、公式の入力形式、最大オーディオ長、話者分離（Speaker diarization）、タイムスタンプなどについては、まだ情報がない。