Microsoft音声認識モデル「MAI-Transcribe-2」公開｜文字起こし1時間＄0.10で60言語首位
MicrosoftのAI部門が2026年9月3日、音声認識モデル「MAI-Transcribe-2（マイ・トランスクライブ・ツー）」を公開した。60言語に対応し、音声1時間あたり＄0.10で使える。
見どころは価格だ。多言語ベンチマークで60言語平均の首位を取り、OpenAIのGPT-Transcribeより10倍速いとMicrosoftは説明している。それでいて1時間＄0.10に収めてきた。
この記事では、精度と速度がどこまで伸びたのか、＄0.10がいつまでの価格なのか、そして今日どこから触れるのかを整理する。
GPT-Transcribeの10倍速、60言語で首位
Microsoft AIの発表によると、多言語の音声ベンチマーク「FLEURS」で60言語平均の単語誤り率5.2%を記録し、首位に立った。単語誤り率は文字起こしがどれだけ間違えたかを示す指標で、低いほど精度が高い。
Microsoftが比較対象に挙げているのは、Gemini 3.5 TranscribeとGPT-Transcribe、Whisper（ウィスパー）V3-Large、Scribe v2 の4つ。実環境に近い幅広い音声で、これらを上回ったとされる。
速度の差はさらに大きい。GPT-Transcribeの10倍、ElevenLabs（イレブンラボ）のScribe v2の7倍、Gemini 3.5 Transcribeの5倍とされる。
精度で首位を取りながら、同時に最速も名乗る。Microsoftが今回いちばん押し出しているのはこの点だ。
第三者の集計でも、Artificial Analysis（アーティフィシャル・アナリシス）の単語誤り率ランキングで2位に入っている。
料金は音声1時間＄0.10（2026年末まで）
価格は音声1時間あたり＄0.10。1時間の会議音声を10本流しても＄1に収まる水準になる。
ただしこれは2026年末までの提供価格であり、その後いくらになるかは公表されていない。
これまで文字起こしを外注していた作業や、聞き直しに時間を取られていた録音が、価格の面ではほぼ障害にならなくなる。
期間限定である点は見落としやすい。2027年以降も同じ価格が続くとは、公式はどこにも書いていない。
話者の判別・専門用語・混在言語に対応する6機能
機能は音声からテキストへの変換だけにとどまらない。公式が挙げているのは次の6点。
話者ダイアライゼーションで、誰が話したかを区切って出力する
単語ごとに時刻が付く（単語単位のタイムスタンプ）
キーワードバイアシングで、専門用語や固有名詞を事前に登録して認識精度を上げられる
verbatim と clean の2モードがあり、言い淀みや言い直しを残すか読みやすく削るかを選べる
ヒングリッシュやスパングリッシュのように複数言語が混ざる会話も扱える
話されている言語を自動で判定する
Microsoftは、読みやすさが要る議事録には clean、原文どおりの記録が要る用途には verbatim という使い分けを挙げている。
話者の区別と、言い淀みを残すかどうかを選べる点は、議事録づくりで手戻りが出やすい部分に直接効く。
使えるのはMicrosoft Foundryなど3経路
提供経路は3つある。Microsoft Foundry（ファウンドリー）、MAI Playground、そしてOpenRouter（オープンルーター）で、Foundryではパブリックプレビューとして提供されている。導入手順はMicrosoft FoundryのAIブログにまとまっている。
Microsoftが想定用途として挙げているのは、診療記録・法務文書・アクセシビリティ対応・字幕生成の4領域。いずれも正確さと分量の両方が求められ、単価の安さが効きやすい。
個人が最初に触るなら、アカウント登録の手間がいちばん軽いOpenRouter経由が早い。
要点サマリー
MicrosoftのAI部門が2026年9月3日、音声認識モデル「MAI-Transcribe-2」を公開
多言語ベンチマークFLEURSの60言語平均で単語誤り率5.2%、首位を記録
速度はGPT-Transcribeの10倍、Scribe v2の7倍、Gemini 3.5 Transcribeの5倍
価格は音声1時間＄0.10。2026年末までの提供価格で、以降は未公表
話者判別・単語単位タイムスタンプ・専門用語の登録・言い淀みの制御に対応
首位・10倍速・＄0.10の3つが同時に並んだ点が、今回の発表で最も効いている。
まとめ｜対応言語と＄0.10の期限
今日試せること：手元にある録音を1本選び、OpenRouterからMAI-Transcribe-2に流してみる。1時間の音声でも＄0.10なので、試すための費用はほぼ発生しない。
＄0.10が2026年末までである以上、年内に自分の音声で精度を確かめておくかどうかで、来年の選択肢が変わる。
▼ 毎朝、AIの最新ニュースが1分で読める
Substack「えーAI」では、最新AIニュースと活用術を毎朝 無料配信している。
その日いちばん効くニュースだけを選び、1分で読める形にして届ける。
▼ あわせて読みたい
MAIファミリーがどこから始まり、Microsoftがなぜ自社モデルに寄せているのかは、この回で押さえられる。
AIニュースは毎日更新。取りこぼしたくない方はフォローを。
▼「うちの仕事でも使えるのか」を整理する
記事で扱ったAIを自分の業務にどう組み込むか、無料相談で一緒に整理する。ITが本業ではない個人事業主・小規模事業者が中心。
※ この記事はAIによって執筆した記事です。誤りが含まれる可能性があります。重要な情報は必ず一次ソースをご確認ください。
