Microsoft、新音声モデルMAIの3種をFoundryで提供

Microsoftは、AI開発プラットフォーム「Microsoft Foundry」において、音声対話体験の構築に向けた3つの新しいMicrosoft AI（MAI）音声モデルの提供を開始した。ユーザーの発話をリアルタイムに文字起こしするストリーミング認識モデルと、多言語で自然なトーンを保つ2種類の音声合成（TTS）モデルで構成され、音声エージェント開発における最大の課題である「受聴から応答までの会話の遅延（レイテンシ）」を大幅に圧縮できる。

投入された新音声モデルの主要スペック

公式ブログによると、今回発表されたモデル群は、先行して提供されていた高精度バッチ文字起こしモデル「MAI-Transcribe-2」の技術基盤をリアルタイム対話向けに拡張したものである。

• MAI-Transcribe-2-Streaming: 60言語の自動言語検出に対応したリアルタイムSTT（Speech to Text。音声をテキストに変換する技術）モデル。発話終了を待たずに音声受領からわずか数百ミリ秒で中間結果（partials）を生成し、文脈に応じて確定テキストを更新する。Artificial Analysisのベンチマークにおいて中間・確定テキストの双方で精度1位を獲得し、多くのケースで発話後320ミリ秒で単語を出力する（競合モデルは500ミリ秒超）。年末までの導入価格は音声1時間あたり0.54ドル。
• MAI-Voice-2.1: 23言語に対応した表現力重視のTTS（Text to Speech。テキストから音声を合成する技術）モデル。言語を切り替えても同一の話者キャラクター（声質）を維持できる特徴を持ち、オンライン学習やブランドキャラクター、ナレーションに適している。料金は100万文字あたり22ドル。
• MAI-Voice-2.1-Flash: 高スループットかつ低遅延な大量処理向けTTSモデル。同クラスの競合製品（ElevenLabsなど）と比較して55%高速で、コストを60%低く抑えている。料金は100万文字あたり15ドル。

モデルはAzure Speech経由およびMicrosoft Foundryの直接APIアクセスに加え、OpenRouter、Vercel、LiveKitといったサードパーティ開発プラットフォームを通じても提供される。

モデル別機能比較と連携ユースケース

各モデルは単体での利用だけでなく、組み合わせることでカスタマーサポートや同時通訳などの対話エージェントをシームレスに実現する。

モデル名	主要用途	対応言語数	レイテンシ／性能特徴	提供価格
MAI-Transcribe-2-Streaming	リアルタイム文字起こし	60言語	応答約320ms、精度ランキング1位	0.54ドル / 時間（年内）
MAI-Voice-2.1	高品位・多言語TTS	23言語	言語横断で一貫した声質を維持	22ドル / 100万文字
MAI-Voice-2.1-Flash	高速・高頻度TTS	23言語	競合比55%高速・60%低価格	15ドル / 100万文字

例えば、顧客が問い合わせ中に話している最中にMAI-Transcribe-2-Streamingがテキスト化を開始し、AIがバックエンドで予約状況を確認、回答が整い次第MAI-Voice-2.1-Flashが即座に音声発話することで、不自然な沈黙のない会話ループが成立する。

日本の開発者への影響と未確認事項

多言語対応（文字起こし60言語、音声合成23言語）に含まれる言語の具体的一覧について公式発表では詳細が明記されていないものの、先行するMAI-Transcribe-2が多言語ベンチマーク（FLEURS）でトップを獲得していることから、日本語の認識・合成についても高い実用性が期待される。特にLiveKitやVercelなど主要なリアルタイム対話スタックへの即日統合は、日本のスタートアップや業務自動化エンジニアにとって実装の参入障壁を大きく下げる要因となる。

一方で、音声クローニング機能の提供有無や、オンプレミス・エッジ環境での実行オプションについては今回の発表では言及されておらず、クラウドAPI依存に伴うネットワーク遅延が実環境でどの程度影響するかは個別の検証が必要である。

分析と今後の展望

音声対話AIの領域では、OpenAIのRealtime APIやElevenLabsなどの専業プロバイダーが先行してきたが、MicrosoftがFoundryの基幹機能として高品質・低価格な独自音声基盤を整備した意義は大きい。文字起こしと音声合成の双方で低遅延モデルを自社スタックで揃えたことにより、Azureを利用する企業は外部サービスを併用することなく安全な閉域網内で完結したボイスエージェントを配備可能となった。特に導入価格0.54ドル/時間という攻めた価格設定は、コンタクトセンターの自動化案件におけるコスト構造を根本から変える可能性がある。

引用元：TECHCOMMUNITY.MICROSOFT.COM | 財経新聞