Microsoft AIが2026年9月3日、自社開発の音声認識モデル「MAI-Transcribe-2」を公開しました。多言語ベンチマークのFLEURSでは60言語の平均単語誤り率が5.2パーセントで首位に立ち、価格は音声1時間あたり0.10ドル（約16円）に設定されています。文字起こしの世界では精度と速度と価格がトレードオフになりがちでしたが、その3つを同時に押しにきた格好です。

※1ドル156円換算（2026年9月4日時点）

1時間10セントという値付け

まず目を引くのは価格です。音声1時間の書き起こしが0.10ドル、日本円にして20円を切ります。1時間の会議録を毎日10本流しても、月額は数百円の世界に収まる計算です。ただしこの金額は年内までの期間限定レートとされており、来年以降も同じ水準が続くかは明言されていません。導入を検討する場合は、通常価格が示されたときにあらためて試算し直す必要があります。

Microsoft自身は、この価格を出せる理由を処理速度に求めています。1時間の音声を10秒程度で返せるだけのスループットがあれば、同じGPUで捌ける本数が増え、1件あたりの原価が下がるという理屈です。

10秒で1時間分を返す処理速度

速度の裏付けとして挙げられているのは、第三者の評価機関であるArtificial Analysisの計測結果です。MAI-Transcribe-2はOpenAIのGPT-Transcribeに対して10倍、ElevenLabsのScribe v2に対して7倍、GoogleのGemini 3.5 Transcribeに対して5倍の速さで処理しながら、精度でも上回るとされています。

具体的な数字としては、誤り率2.0パーセント、速度係数403.6という値が示されました。速度係数403.6は、実時間の約400倍の速さで処理できるという意味で、1時間の音声がおよそ10秒で返ってくる計算になります。精度と速度を2軸に取った散布図では、MAI-Transcribe-2だけが最も有利な象限に単独で位置しているとMicrosoftは説明しています。なお、Artificial Analysisの単語誤り率ランキング単体では2位という位置づけです。

60言語で精度が崩れない

多言語対応の指標として使われたのが、公開ベンチマークのFLEURSです。ここでMAI-Transcribe-2は60言語すべてで高い精度を維持し、平均単語誤り率5.2パーセントで首位になったと報告されています。Microsoftは、これだけ広い言語範囲で精度を保てるモデルは他に無いとしています。

言語ごとにモデルを使い分けている開発者にとっては、実務上の意味が大きい部分です。多言語の音声を扱うサービスでは、言語判定をしてから対応するモデルへ振り分けるという構成になりがちで、切り替えのぶんだけ実装も運用も重くなります。1本のモデルで通せるなら、その分岐がまるごと消えます。GPUの割り当てを言語別に用意する必要もなくなり、稼働率の面でも無駄が減ります。

言語指定は任意で、既定では話されている言語を自動で判別します。HinglishやSpanglishのように1つの発話の中で2言語が混ざるコードスイッチングも自動処理の対象です。Microsoftのドキュメントでは、自動判別がうまくいかないときにだけ言語を明示的に指定するよう案内されています。

実務向けに用意された細かい設定

機能面では、業務利用を意識したパラメータが揃っています。話者分離を有効にすると、録音を話者ごとに区切り、開始位置と長さの情報を付けたセグメントとして返します。タイムスタンプは単語単位、セグメント単位、なしの3段階から選べます。

フレーズリストという仕組みも用意されました。専門用語や略語、固有名詞をあらかじめ渡しておくと、その語を認識しやすくなります。ドキュメントでは、これはあくまでヒントであって出力を強制するものではないと注記されています。

書き起こしのスタイルも切り替えられます。既定は発話をそのまま写し取るverbatimで、フィラーや言い直しも残ります。コンプライアンス確認や品質管理、会話分析のように、実際に何を言ったかが問われる用途を想定した設定です。もう一方のcleanは、言い淀みを取り除いて読みやすい形に自動整形します。字幕や議事録、公開用の書き起こしはこちらが向きます。想定用途として挙がっているのは、動画字幕、会議、診療記録、コールセンターの記録、アクセシビリティ、コンテンツ制作、音声エージェントなどです。

雑音への強さもモデル自体の性質として組み込まれているとされ、収録環境を整えられない現場の音声でも品質を保てるとしています。

使い方と現時点の制限

提供形態はAzure Speechのパブリックプレビューです。サービスレベル契約は付かず、本番環境での利用は推奨されないと明記されています。価格と性能が魅力的でも、いま止まっては困る業務に組み込む段階ではありません。

呼び出しはFast Transcription APIの拡張モード経由で、モデルプロパティにMAI-Transcribe-2を指定します。入力できる音声は300MB未満で、形式はWAV、MP3、FLACの3種類です。利用にはAzureサブスクリプションと、Speech用のMicrosoft Foundryリソースが必要になります。

enhanced mode model = MAI-Transcribe-2

音声対話向けのVoice Live APIでも、セッション設定の項目からMAI-Transcribeを入力音声の書き起こしに使えます。手元で挙動を確かめたいだけなら、Microsoft FoundryとMAI Playground、それにOpenRouterでデモを試せます。

世代管理も進んでいます。MAI-Transcribe-2はMAI-Transcribe-1.5と併存する形で提供され、初代のMAI-Transcribe-1は2026年8月20日付で非推奨になりました。旧バージョンで組んだ処理を抱えている場合は、移行の期限を確認しておいたほうがよさそうです。

まとめ

MAI-Transcribe-2の要点は、60言語で精度が崩れないこと、1時間の音声を10秒級で返すこと、そして音声1時間0.10ドルという年内限定の価格の3点です。言語ごとにモデルを切り替えていた構成を1本にまとめられる点は、多言語サービスを運用している開発者にとって実装量に直結します。一方で提供状態はプレビューで、サービスレベル契約もありません。まずは検証環境で精度と速度を自分の音声データで測り、通常価格が判明した段階で本番投入を判断する、という順番が現実的です。