Microsoft、音声認識を1時間10セントで提供

Microsoft AIは2026年9月3日、音声認識モデル「MAI-Transcribe-2」をMicrosoft FoundryとMAI Playgroundで公開しました。60言語に対応し、話者分離や単語単位の時刻情報などを基本機能に含め、開始価格を音声1時間当たり0.10ドルに設定し、企業の会議・顧客対応音声を低コストで処理する狙いです。

新モデルは雑音、低品質な録音、発話の重なりを想定し、話者分離、単語単位の時刻情報、キーワードによる専門語の認識補助、言語の自動判定を備えます。言いよどみまで残す逐語形式と読みやすく整える形式を選べ、文中で言語が切り替わる会話にも対応します。

Microsoftによると、60言語を対象とするFLEURSで平均単語誤り率5.2%を記録しました。独立評価機関Artificial Analysisでは誤り率で2位とされ、OpenAI製品の10倍、ElevenLabs製品の7倍、Google製品の5倍の処理速度だと記事は伝えています。

開始価格は1時間0.10ドルで、4月に公開した初代の0.36ドルから約72%下がりました。Microsoftは5カ月で3世代を投入し、対応言語を25から43、60へ広げており、自社製品の処理費用と外部モデルへの依存を減らす戦略がうかがえます。

ただし0.10ドルは終了時期や通常料金が示されていない開始価格で、リアルタイム処理への対応も発表文では明確ではありません。企業は対象言語ごとの精度、話者識別の品質、データの保管・学習利用条件を実音声で確認してから導入を判断する必要があります。