マイクロソフト、音声認識モデル「MAI-Transcribe-1」公開：Whisper超えの精度

静かな会議室ならきれいに文字起こしできても、背後のカフェノイズや複数人の被り声、マイクの音割れが入ると、音声認識はとたんに崩れがちです。

Microsoftは4月2日、25言語に対応する多言語音声認識モデル「MAI-Transcribe-1」を発表しました。Microsoft Foundryでパブリックプレビューが開始されたほか、Microsoft AI Playgroundでも試用できるようになっています。

Whisper超えを掲げ、処理速度は旧来の2.5倍に

公式発表によると、MAI-Transcribe-1は業界標準のFLEURSベンチマーク（25言語）において最低の単語誤り率（WER）を記録しました。

競合モデルとして挙げられているScribe v2、Whisper-large-V3、GPT-Transcribe、Gemini 3.1 Flash-Liteを精度面で上回ったとしています。注記によれば、対象の25言語のうち11の中核言語で首位を獲得し、残る14言語でもWhisper-large-v3に全勝、そのうち11言語でGemini 3.1 Flashを上回ったとしています。

実用面での速度向上も目立ちます。バッチ文字起こし速度は、既存のMicrosoft Azure Fast提供比で2.5倍に達しました。レイテンシも低く抑えられており、リアルタイムの字幕生成や議事録作成、音声対話エージェントにも適用可能とされています。

利用料金は音声1時間あたり0.36ドルに設定されており、大手クラウド事業者が提供する音声認識サービスの中で極めて高いコストパフォーマンスを打ち出しています。

騒音環境にフォーカス、TeamsやCopilotへ順次展開

公開されたデモでは、周囲の話し声が響くカフェでの航空券変更手続き、英語とスペイン語が入り乱れるオフィスでの会話、さらには大音量のコンサート会場からの発話など、ノイズや発話の重複がある環境でも破綻せずにテキスト化できる様子が示されました。

MAI-Transcribe-1は現在、Microsoft TeamsやCopilotの音声モード向けに段階的なロールアウトが進められています。

また、今回は同時に音声合成モデル「MAI-Voice-1」（100万文字あたり22ドル）や画像生成モデル「MAI-Image-2」も発表されており、MicrosoftはMAI-Transcribe-1とMAI-Voice-1を組み合わせることで、開発者が独自の音声エージェント基盤を容易に構築できるとアピールしています。

なぜ重要か

音声認識は、音声エージェントや文字起こしサービスの成否を分ける最前線のインフラです。どんなに賢いLLMを背後に控えていても、最初の音声入力が雑音で誤認識されれば意図理解は失敗します。

開発者や企業にとって、1時間あたり0.36ドルという低価格と2.5倍のバッチ処理速度は、既存のWhisper利用基盤から乗り換えを検討する十分な動機になります。特にコンタクトセンターの通話分析や大規模な会議ログ処理など、音質が必ずしも担保されない現場のワークロードにおいて、耐ノイズ性能の高さは直接的な運用コスト削減につながります。

業界全体から見れば、MicrosoftがOpenAI依存を脱し、自社ブランドの「MAI」シリーズで主要な基盤モデルを固めつつある動きが鮮明になりました。TeamsやCopilotという世界最大級の業務用トラフィックに直接組み込むことで、現場のリアルな音声データを活かした改良サイクルを回せる点は同社ならではの強みです。対応言語が主要25言語に限られている制約はあるものの、実用域の音声認識をめぐるGoogleやOpenAIとの価格・性能競争は一段と激しくなりそうです。