Microsoft、音声認識モデル MAI-Transcribe-2 を発表──AA-WER 2.0%と競合半額の低価格を両立
Artificial Analysis で上位につけつつ ElevenLabs の半額以下となる $0.10/時間で公開された。
リリース: 2026-09-03 · 読了 3 分記事の要約
1. 核心（What）
- Microsoft AI が音声認識モデル MAI-Transcribe-2 を公開し、Artificial Analysis の AA-WER ベンチマークで 2.0%を記録した。
- 料金は 2026 年末までのプロモーション価格として $0.10/時間（1,000 分あたり $1.67）に設定された。
- 処理速度はリアルタイムの 410.7 倍であり、対応言語数は前身の 43 言語から 60 言語へ拡大した。
- 話者ダイアライゼーション、単語単位のタイムスタンプ、Clean および Verbatim の 2 つの文字起こしモードが追加された。
2. 影響（Why）
- コスト半減によるインフラ置き換え: 文字起こしコストが従来の半額以下になるため、コールセンター音声を大量に処理する事業者はランニングコストを大幅に圧縮できる。
- 国内音声 SaaS への価格圧力: 音声認識を組み込んでいる国内のコールセンター向けシステムや音声ボット開発事業者は、API コストの再試算を迫られる。
3. 根拠・詳細（How）
- Azure Fast Transcription API による提供: Azure Speech の Fast Transcription API の enhanced モード経由で利用可能であり、モデルプロパティに MAI-Transcribe-2 を指定して動作させる。
- 多言語ベンチマークでの高精度化: FLEURS ベンチマークにおいて平均 WER 5.2%を記録し、多言語対応の音声認識精度を向上させた。
4. 展望・課題（Next）
- 本番環境向け SLA の整備: 現在はパブリックプレビュー段階であり SLA が提供されていないため、本番環境への導入には今後の正式リリースを待つ必要がある。