MAI-Transcribe-2発表 — 「世界最速」の主張と、期間限定価格の裏側

Microsoft AIは2026年9月3日、新しい音声認識モデル「MAI-Transcribe-2」を発表しました。音声認識の多言語ベンチマーク「FLEURS」の60言語対象評価で首位、平均WER(単語誤り率)5.2%を記録したとしています。速度についても、OpenAIの「GPT-Transcribe」比で最大10倍、ElevenLabsの「Scribe v2」比で7倍、Googleの「Gemini 3.5 Transcribe」比で5倍という数字を示しています。価格は音声1時間あたり0.10ドルですが、この価格は2026年末までの期間限定オファーで、以降の金額は公表されていません。性能の主張と価格の性質は、切り離さずに読む必要があります。

主張された性能とベンチマークの中身

Microsoftの発表によれば、MAI-Transcribe-2はFLEURSベンチマークの60言語すべてで首位を獲得し、平均WER 5.2%を記録したとされています。比較対象として名指しされているのはGoogleの「Gemini 3.5 Transcribe」、OpenAIの「GPT-Transcribe」、「Whisper V3-Large」、ElevenLabsの「Scribe v2」の4モデルで、いずれも上回ると説明されています。速度面では、GPT-Transcribe比で最大10倍、Scribe v2比で7倍、Gemini 3.5 Transcribe比で5倍という倍率が示されました。

これらの数字はいずれもMicrosoft自身が発表文で示したものであり、独立した第三者機関による再現・検証結果ではありません。ベンチマークの手法や測定条件の詳細も、私たちが確認できた範囲の情報には含まれていません。「世界最速・最高精度」という打ち出し方自体が発表のタイトルに使われているため、数字の中身と発表側の宣伝文句は分けて受け取る必要があります。

新機能は話者分離・スタイル設定・タイムスタンプ

MAI-Transcribe-2で新たに加わったとされる機能は3つです。1つ目は話者分離(speaker diarization)で、複数人の会話を話者ごとに分けて出力できます。2つ目は設定可能な文字起こしスタイルで、出力形式を用途に応じて変えられるとされています。3つ目は単語単位のタイムスタンプで、発話のどの部分がどの時刻に対応するかを細かく特定できます。会議の議事録や字幕生成など、話者や時刻の情報が要る用途との相性を意識した機能構成です。

価格は0.10ドル、ただし期間限定

価格は音声1時間あたり0.10ドルと発表されています。ただしこれは2026年末までの期間限定オファーであり、2027年以降の価格はMicrosoftからまだ示されていません。提供方法はMicrosoft Foundry、MAI Playground、OpenRouterの3経路で、いずれも今回の発表に含まれています。経路ごとの利用条件の異同は、今回の発表文からは読み取れません。

$0.10という数字だけを見ると恒久的な価格のように読めますが、発表文が明示しているのは「今年末まで」という期限です。無料トライアルや期間限定割引を本番導入の前提コストに組み込むと、期限後に価格差分がそのまま運用コストへ跳ね返ります。

音声認識は性能主張だけで選べない

私たちは音声文字起こしプロダクト「Voice Picker AI」を運営しており、OpenAI・LemonFox.ai・ローカルWhisper・日本語特化のAmiVoiceという複数の文字起こしプロバイダーを設定で切り替えられる構成にしています。用途に応じて日本語特化のエンジンやコスト効率重視のエンジンを選べますが、これは利用者がその場で選ぶものではなく、運用側が環境変数を設定してコンテナを再起動する形の切り替えです。多言語ベンチマークで首位を主張するモデルが登場しても、それが特定の言語・特定の用途で導入先のプロダクトに最も合うかどうかは別の問いです。MAI-Transcribe-2についても、日本語での実測精度は今回の発表文からは分かりません。

まとめ

MAI-Transcribe-2を導入候補に入れるなら、$0.10/時間という数字よりも先に、2026年末以降の価格をいつ・どこで確認するかを決めておくほうが実務的です。性能面の優位性はMicrosoft自身の主張として受け止め、実際に使う言語・用途での実測は別途必要になります。期間限定オファーに乗るかどうかは、期限後の価格が読めない前提でコスト試算を組めるかどうかで判断するのが安全です。

関連

AI エージェントを業務で回すときの設計と運用については、CTO の note に書いています。

• Leadeas CTO｜note

出典

• Microsoft AI公式発表「MAI-Transcribe-2 is the fastest, most accurate, and cheapest speech recognition model in the world」(2026-09-03): https://microsoft.ai/news/mai-transcribe-2-is-the-fastest-most-accurate-and-cheapest-speech-recognition-model-in-the-world/
• Impress Watch「Microsoft、音声認識モデル「MAI-Transcribe-2」発表」: https://forest.watch.impress.co.jp/docs/news/2138699.html

※ この記事は AI を使用しています。Leadeas が自社開発した AI エージェント基盤で下書きを作成し、人間のレビューを経て公開しています。AI ネイティブ開発会社として自社の技術をそのまま実演する目的で、この手法を用いています。(詳しくは AI 利用ポリシー)