MS、高精度音声認識「MAI-Transcribe-2」を発表

米Microsoftの研究開発部門Microsoft AI（MAI）は2026年9月3日、最新の音声認識（Speech-to-Text）モデル「MAI-Transcribe-2」をMicrosoft Foundry（Azure Speech経由）においてパブリックプレビューとして提供開始したと発表した。対応言語数を従来のモデルから拡充して60言語をサポートしたほか、本番運用のワークロードで要望が多かった話者分離（Diarization）と単語レベルのタイムスタンプ機能を新たに追加。2026年12月31日までのプレビュー期間中は、1時間あたり0.10ドルという市場最安級の料金で利用可能となる。

業界ベンチマーク首位の精度とレイテンシのパレート最適

公式発表によると、MAI-Transcribe-2は音声コミュニティの主要ベンチマークで高い認識精度を記録している。

• ​多言語ベンチマーク「FLEURS」で第1位​: 標準的な多言語音声ベンチマーク「FLEURS」において、他の主要音声認識モデルを抑えてトップのクロスリンガル精度を達成。
• WERリーダーボード第2位​: Artificial Analysisの単語誤り率（Word Error Rate: WER）リーダーボードで第2位を獲得（前世代のMAI-Transcribe-1.5は第3位）。
• ​精度×レイテンシのパレート最適境界で首位​: Artificial Analysisにおける「認識精度とレイテンシ（処理遅延）」のトレードオフを測定するパレート最適フロンティアで第1位を記録。高精度モデルにありがちな処理遅延や、高速モデルにおける認識精度の低下という従来のジレンマを解消した。
• ​構造的機能の強化​:
  • ​話者分離（Speaker Diarization）​: 誰がどの発言を行ったかを自動判別し、複数人の会議や対面インタビュー音声を話者ごとの構造化テキストとして出力。
  • ​単語単位タイムスタンプ（Word-level Timestamps）​: 発話されたすべての単語の開始・終了時刻を記録。クリック再生や精密な字幕・マスキング処理を支援。
• ​プレビュー提供価格​: 2026年12月31日までの期間、1時間あたり0.10ドル（$0.10/hour）の低価格で提供。

既存音声パイプラインとの比較と国内企業への影響

従来の音声認識導入（OpenAIのWhisperや他社クラウドAPI等）では、話者分離や高精度な単語タイムスタンプを得るために外部ライブラリを多段で組み合わせる必要があり、パイプラインの複雑化とインフラコストの増大が課題となっていた。

MAI-Transcribe-2はこれらの機能を単一モデルでネイティブにサポートし、1時間あたり0.10ドルという低コストで利用できる。国内のコールセンターにおける全通話録音の自動文字起こし・分析や、金融機関のコンプライアンス面談記録、役員会議の議事録作成において、大幅なコスト削減とシステム構成の簡素化が見込める。また、リアルタイム音声エージェントのリスニング層としても高い親和性を持つ。

音声インフラのコモディティ化とエージェント連携

編集部注: 音声認識技術は単なる文字変換ツールから、自律型AIエージェントが外界を認識するための不可欠な基盤（リスニングレイヤー）へと進化している。

Microsoftが自社内製モデル（MAI）を市場最安クラスの価格でAzureに投入したことは、競合モデルに対する強力な価格破壊圧力となる。今後は文字起こし単体での利用にとどまらず、リアルタイム翻訳やLLMによる自動アクション生成と統合された「マルチモーダル音声エージェント基盤」としての普及が進むとみられる。

引用元：TECHCOMMUNITY.MICROSOFT.COM