Microsoft、音声認識MAI-Transcribe-2を1時間10セントで公開

発表の概要

Microsoft AIは2026年9月3日、音声認識モデル「MAI-Transcribe-2」を公開しました。同社によれば、OpenAIやGoogle、ElevenLabsが現在販売するどの音声認識製品よりも高速で高精度、そして低価格です。1時間あたり10セントという価格は、5カ月前に出た初代モデルの0.36ドルから約72%の引き下げになります。

モデルは、Microsoft Foundry(開発者向けモデル市場)とMAI Playground(テスト環境)で利用できます。対応言語は60言語で、6月のMAI-Transcribe-1.5の43言語、4月の初代モデルの25言語から拡大しました。記事は、実際の企業が持つ「雑音や低品質の録音、話し声の重なりを含む音声」向けに作られたモデルだとしています。

価格低下のインパクトは明確です。年間10万時間のコンタクトセンター音声を処理する企業の場合、文字起こし費用は36,000ドルから10,000ドルに減ります。この処理量は大手銀行や通信会社にとっては大規模とはいえず、この水準になると文字起こしはコストとして問題にならなくなると記事は指摘しています。

標準装備された機能

言語数より重要なのは、基本製品に含まれる機能群です。話者分離は複数人の録音で誰が何を話したかを識別し、単語レベルのタイムスタンプは検索や編集、動画との位置合わせを可能にします。キーワードバイアスは薬剤名や製品コード、社員名などのリストをモデルに与えて誤認識を防ぎます。自動言語識別により、利用者が事前に言語を指定する必要もありません。

特徴的なのは、出力スタイルの設定です。「そのまま」モードは言い淀みや言い間違いを残すため、コンプライアンスや法務部門向けです。「クリーン」モードは不要な表現を取り除き、読みやすい字幕やメモを作ります。さらに、文の途中で言語が切り替わるコードスイッチングにも対応し、英語とヒンディー語が混ざるHinglishや、英語とスペイン語が混ざるSpanglishが例として挙げられています。これらの機能は専門ベンダーでは追加料金になることが多いのですが、Microsoftはすべてを10セントの価格に含めました。

ベンチマークの読み方

性能主張の中心は、FLEURSの60言語で平均5.2%の語誤り率(WER)を達成し1位になったというものです。FLEURSは2022年にGoogleの研究者が公開したベンチマークで、102言語それぞれのネイティブ話者が約2000文(約12時間分)を読み上げた音声を使います。同一の内容で言語間比較ができるため、多言語音声認識の標準的な物差しとされています。

WERは人間の参照文に対する単語の置換・挿入・削除の割合で、5.2%は約20語に1語の誤りを意味します。ただしFLEURSは読み上げ音声を使った評価であり、実際の会話音声の性能を示すものではありません。また今回の平均5.2%は、同社が以前報告した3.7%から上昇しています。この上昇が対応言語の拡大によるものか、別の要因によるものかは、記事の記述からは判断できません。

OpenAI依存を離れる戦略

今回のリリースは、Microsoftが2年前には考えられなかった戦略を実行中であることを示します。それは、音声や画像といったモダリティごとに自社の最先端モデルを開発し、かつてOpenAIの技術で動いていた製品へ順次置き換えていく戦略です。文字起こしはこの戦略が最も速く進んだ分野であり、MAI-Transcribe-2はその成果を示す最も明確な事例だと記事は評価しています。

同社はOpenAIとの関係構築に130億ドルを投じてきました。そのパートナーに依存せずにAI分野で競争する方法を示すことは、今後の製品戦略や価格交渉にも影響を与える可能性があります。競合を下回る価格で自社モデルを提供できる証明になれば、API市場でのMicrosoftの立場は強まるでしょう。

現時点で分からないこと

記事はOpenAIやGoogle、ElevenLabsの製品と比べて「高速」「正確」と主張する一方、速度比較の具体的な測定値や、共通データでの比較結果は示していません。日本語を含む言語別の精度も未公表です。また、FLEURSは読み上げ音声の評価であり、実際の業務音声での性能は別途検証が必要です。

今回の10セントは「早期導入価格」とされており、いつまで適用されるのかは記事では触れられていません。同社は5カ月で対応言語を25から60に増やし、価格も大きく下げてきました。今後も短期間でのモデル更新や価格改定が続く可能性があります。実際のビジネス音声での精度を確認するには、各社モデルを同じデータで評価する追加の検証が待たれます。