マイクロソフトが音声認識「MAI-Transcribe-2」公開、競合比最大10倍高速

音声文字起こしといえばWhisperの独壇場か、ElevenLabsなどの専門サービスを使うのが定番でしたが、Microsoftが真っ向勝負を挑んできました。

同社は9月3日、音声認識モデル「MAI-Transcribe-2」を発表しました。世界最速、最高精度、そして最安を掲げた意欲作です。

競合比最大10倍の高速化と実用的な新機能群

単なる公称スペックにとどまらず、第三者機関Artificial Analysisの評価でも、精度とレイテンシのパレート境界を更新したとされています。同機関の単語誤り率ランキングでは2位につけました。

処理速度の差は顕著です。OpenAIのGPT-Transcribeと比べて最大10倍、ElevenLabsのScribe v2に対して7倍、Gemini 3.5 Transcribeに対しても5倍の高速処理を記録しています。

また、60言語を対象とした公開多言語ベンチマークFLEURSでは、平均単語誤り率5.2%を達成し首位を獲得しました。

現場で求められる実用機能も網羅されています。誰がいつ話したかを識別する話者分離機能や、字幕生成や動画編集に不可欠な単語レベルのタイムスタンプを標準搭載しました。

専門用語や固有名詞を登録して誤認識を防ぐキーワードバイアス機能も備えています。

出力スタイルは2種類から選択可能です。言いよどみやフィラーをそのまま残す逐語モードはコンプライアンスや心理分析に向いており、不要な言葉を除去するクリーンモードは読みやすい議事録作成に適しています。

言語の自動判別はもちろん、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り合うコードスイッチングや、騒音環境下の音声にも対応しています。

本モデルはMicrosoft Foundry、MAI Playground、OpenRouterで既に利用可能で、年内限定のプロモーション価格として1時間あたり0.10ドルで提供されます。

なぜ重要か

長時間の通話録音や動画データを大量に処理している開発者や企業にとって、1時間0.10ドルという価格破壊と最大10倍の速度向上は、コスト構造を劇的に改善する選択肢になります。いま運用中のAPIから乗り換えて検証する価値は十分にあります。

業界全体で見れば、文字起こし市場で先行してきたOpenAIやElevenLabsに対する強い牽制になります。Microsoftがインフラの規模を生かして高性能な音声認識をコモディティ化しにかかった格好です。

同社の戦略は非常に堅実に見えます。派手な機能よりも、話者分離やフィラー除去、キーワード登録といった現場が最も欲しがる仕様を漏れなく揃えてきた点は評価できます。ただし、0.10ドルという破格の料金は年内限りのキャンペーン価格であるため、通常料金へ移行した後のコストパフォーマンスを注視する必要があります。