MAI-Transcribe-2は、MicrosoftのAI研究部門であるMicrosoft AI（MAI）が開発した音声認識モデルで、2026年9月3日にMicrosoftが発表しました。音声をテキストに変換する文字起こしを、60言語で、しかも音声1時間あたり0.10ドルという価格で提供するのが特徴です。
室谷代表取締役MAI-Transcribe-2は、Microsoftが2026年9月3日に発表した音声認識モデルで、60言語の音声をテキストに変換できるんですよね。Microsoft Foundryを通じて提供が始まっていて、価格が音声1時間あたり0.10ドルというから、これは現場がざわつく話ですよ。
テキトー教師DotAI 認定講師しかも発表の主語はあくまでMicrosoftです。Xの投稿だけを見ると「また速報合戦か」と思われがちなんですが、単に安い高いの話じゃないんですよ。
モデル自体をMicrosoft AIが内製したという点と、実務で使われてきた機能をきちんと積んできた点が本質です。
モデル自体をMicrosoft AIが内製したという点と、実務で使われてきた機能をきちんと積んできた点が本質です。
室谷代表取締役公式の発表では「世界で最も速く、最も正確で、最も安い音声認識モデル」と位置づけられています。ここは主張なので、どこまで裏が取れているかを丁寧に見ていきたいところです。
テキトー教師DotAI 認定講師そうですね。主張と、公式ドキュメントに書かれている仕様を分けて読むのが大事です。
まずは概要から整理しましょう。
まずは概要から整理しましょう。
MAI-Transcribe-2とは？Microsoftが発表した音声認識モデルの概要
MAI-Transcribe-2の発表表記の食い違い
Xの投稿・公式モデルページ
- 一般提供（GA）として案内
- Microsoft Foundryで利用可能
Microsoft Foundryブログ（9月3日付）
- パブリックプレビューとして提供と記載
室谷代表取締役公式ブログによると、MAI-Transcribe-2はMicrosoft AI（MAI）の最新の音声認識モデルで、前世代から精度を改善し、対応言語を60言語に広げ、話者分離と単語レベルタイムスタンプという2つの機能を追加したとされています。
テキトー教師DotAI 認定講師ここで押さえたいのは、発表のされ方が2種類あることです。Xの投稿と公式モデルページでは「一般提供（GA）としてMicrosoft Foundryで使える」と案内されています。
一方で、9月3日付のMicrosoft Foundryブログでは「パブリックプレビューとして提供」と書かれているんですね。
一方で、9月3日付のMicrosoft Foundryブログでは「パブリックプレビューとして提供」と書かれているんですね。
室谷代表取締役つまり、発表ではGA、同日の公式ブログではパブリックプレビューと記載、という併記状態なんですよね。その後いつGAに移行したのかという時系列は、今回の資料からは読み取れません。
現時点では明らかにされていない、と正直に書くのが筋だと思います。
現時点では明らかにされていない、と正直に書くのが筋だと思います。
テキトー教師DotAI 認定講師そこは受講生さんにもよく言うんですけど、プレビュー表記がある機能は本番投入の判断を慎重に、というのが鉄則です。特に音声認識は業務の記録そのものに関わるので、表記の揺れは無視できません。
室谷代表取締役ちなみに、この流れは以前のモデルから続いているものなんですよ。MAI-Transcribeの初期バージョンについてはMicrosoftの「MAI-Transcribe-2」とは？21言語中18言語で最低エラー率の音声認識モデルでも触れられていて、世代を重ねて対応言語と機能を増やしてきたことがわかります。
テキトー教師DotAI 認定講師なるほど、系譜で見ると理解しやすいですね。では、具体的に何ができるのかを見ていきましょう。
MAI-Transcribe-2でできること——話者分離・単語タイムスタンプ・60言語対応
MAI-Transcribe-2でできること
話者分離（diarization）
録音を話者ごとに区切り、各セグメントを正しい話者に割り当てる。話者ラベル付きセグメントとオフセット・長さのメタデータを返す
単語レベルタイムスタンプ
「word」「segment」「none」から選べ、wordなら各単語の開始・終了時刻を返す
キーワードバイアス
専門用語や略語、製品名、固有名詞をヒントとして渡せる。ただし強制出力ではない
文字起こしスタイル
「verbatim」は言い淀みや言い直しも含めてそのまま記録、「clean」はフィラーを除去して読みやすく整える
コードスイッチング
HinglishやSpanglishのように会話中で言語が切り替わるケースに対応
言語の自動識別
事前に言語を指定しなくても、話されている言語を検出する
雑音耐性
背景雑音や重複発話、マイク品質のばらつきがある環境でも品質を維持する
60言語対応
日本語を含む60言語をカバーする
室谷代表取締役公式ドキュメントを読むと、機能がかなり細かくAPIパラメータとして定義されているんですよ。ここが実務目線で面白いところです。
テキトー教師DotAI 認定講師整理するとこうです。
- 話者分離（diarization）: 録音を話者ごとに区切り、各セグメントを正しい話者に割り当てる。話者ラベル付きのセグメントと、オフセット・長さのメタデータを返す
- 単語レベルタイムスタンプ: 「word」「segment」「none」から選べ、wordなら各単語の開始・終了時刻を返す
- キーワードバイアス: 専門用語や略語、製品名、固有名詞をヒントとして渡せる。ただし強制出力ではない
- 文字起こしスタイル: 「verbatim」は言い淀みや言い直しも含めてそのまま記録、「clean」はフィラーを除去して読みやすく整える
- コードスイッチング: HinglishやSpanglishのように会話中で言語が切り替わるケースに対応
- 言語の自動識別: 事前に言語を指定しなくても、話されている言語を検出する
- 雑音耐性: 背景雑音や重複発話、マイク品質のばらつきがある環境でも品質を維持する
- 60言語対応: 日本語を含む60言語をカバーする
室谷代表取締役このうち話者分離と単語タイムスタンプは、公式ブログで「本番ワークロードから最も要望が多かった2つの構造的機能」と説明されています。要するに、これまで汎用の音声モデルが苦手にしてきた「複数人がいる現場」を正面から狙いにきたわけです。
テキトー教師DotAI 認定講師単語レベルタイムスタンプがあると、字幕のフレーム精度の同期とか、特定の発言へジャンプする検索とか、該当箇所だけを伏せる編集とかができるようになります。講座でも「文字起こしはできたけど、どこで誰が言ったかがわからない」という悩みはよく聞くので、そこに効く機能ですね。
室谷代表取締役verbatimとcleanの切り替えも地味に効きますよ。コンプライアンスや分析用途では言い淀みも残したい、公開用の字幕では整えたい。
同じ音声から用途別に出力を作り分けられるわけですから。
同じ音声から用途別に出力を作り分けられるわけですから。
テキトー教師DotAI 認定講師あとは言語の指定方法も独特で、localesに1言語だけ指定できるけれど「録音がその言語だと確信できる場合以外は指定しないでください」とドキュメントに明記されています。自動検出が基本で、指定はかなり強いヒントとして扱われる、という設計なんですね。
MAI-Transcribe-2の料金は音声1時間0.10ドル——コストと提供範囲を確認
まとめ
MAI-Transcribe-2の料金と提供範囲
- 料金は音声1時間あたり0.10ドル
- 公式ブログで「2026年12月31日までの期間限定価格」と明記(恒久価格ではない)
- 公式ブログは「市場で最も安い文字起こしモデル」と主張(あくまでMicrosoftの主張)
- 無料枠の有無は今回の資料には記載なし(現時点で不明)
- 課金単位が音声1時間あたりのため、録音時間からコストを掛け算で見積もりやすい
- 提供範囲: Microsoft Foundry、MAI Playground、Open Routerでデモが試せる
- Azure SpeechのサポートモデルはMAI-Transcribe-2とMAI-Transcribe-1.5、MAI-Transcribe-1は2026年8月20日に非推奨
- 1.5から2で対応言語が増加(アフリカーンス語、アゼルバイジャン語、ボスニア語、ペルシャ語、フィリピン語、ガリシア語、ヘブライ語、アルメニア語、アイスランド語、カザフ語、ラトビア語、マケドニア語、マレー語、ネパール語、スワヒリ語、ウルドゥー語、広東語などが追加)
- 地域ごとに別プロバイダーを組み合わせず、1つのモデルに標準化できるのが公式ブログの訴求点
室谷代表取締役価格は音声1時間あたり0.10ドル。公式ブログでは「2026年12月31日までの期間限定価格」と明記されています。
ここは重要で、恒久価格ではないんですよね。
ここは重要で、恒久価格ではないんですよね。
テキトー教師DotAI 認定講師しかも公式ブログでは「市場で最も安い文字起こしモデル」とうたっています。ただし、これはあくまでMicrosoftの主張です。
無料枠の有無については今回の資料には書かれていませんので、現時点では明らかにされていません、とお伝えするしかないですね。
無料枠の有無については今回の資料には書かれていませんので、現時点では明らかにされていません、とお伝えするしかないですね。
室谷代表取締役課金単位が「音声1時間あたり」というのは、実務の見積もりではかなり計算しやすいですよ。会議の録音が何時間あるかがわかれば、コストがそのまま掛け算で出るわけですから。
テキトー教師DotAI 認定講師提供範囲も整理しておきましょう。公式ページによると、Microsoft Foundryのほか、MAI PlaygroundとOpen Routerでもデモが試せると書かれています。
Azure Speechのドキュメントでは、MAI-Transcribe-2とMAI-Transcribe-1.5がサポートモデルとして並び、MAI-Transcribe-1は2026年8月20日に非推奨になったと記載されています。
Azure Speechのドキュメントでは、MAI-Transcribe-2とMAI-Transcribe-1.5がサポートモデルとして並び、MAI-Transcribe-1は2026年8月20日に非推奨になったと記載されています。
室谷代表取締役世代交代がはっきりしているのも特徴ですね。1.5から2に上がって、対応言語がかなり増えているんですよ。
ドキュメントの言語対応表を見ると、1.5では空欄だったアフリカーンス語、アゼルバイジャン語、ボスニア語、ペルシャ語、フィリピン語、ガリシア語、ヘブライ語、アルメニア語、アイスランド語、カザフ語、ラトビア語、マケドニア語、マレー語、ネパール語、スワヒリ語、ウルドゥー語、広東語などが2では追加されています。
ドキュメントの言語対応表を見ると、1.5では空欄だったアフリカーンス語、アゼルバイジャン語、ボスニア語、ペルシャ語、フィリピン語、ガリシア語、ヘブライ語、アルメニア語、アイスランド語、カザフ語、ラトビア語、マケドニア語、マレー語、ネパール語、スワヒリ語、ウルドゥー語、広東語などが2では追加されています。
テキトー教師DotAI 認定講師これはグローバル展開するチームにとっては大きいですよね。地域ごとに別のプロバイダーを組み合わせるのではなく、1つのモデルに標準化できる、というのが公式ブログの訴求ポイントです。
MAI-Transcribe-2の使い方・始め方——Microsoft FoundryとAzure Speechでの利用手順
室谷代表取締役使い方の前提条件がドキュメントにきっちり書かれています。Azureのサブスクリプション、Azureポータルで作るMicrosoft FoundryのSpeechリソース、そのリソースキーとリージョン、そしてWAV・MP3・FLACのいずれかの音声ファイル。
このあたりがスタートラインです。
このあたりがスタートラインです。
テキトー教師DotAI 認定講師実際の呼び出しは、LLM Speechのクイックスタートに沿って進めたうえで、enhancedModeを有効にしてモデルを指定する流れです。パラメータで機能を切り替える形ですね。
整理するとこうです。
整理するとこうです。
enhancedMode.enabledをtrueにする（必須）enhancedMode.modelに"MAI-Transcribe-2"を指定（必須）- 話者分離は
diarization.enabledをtrueに - タイムスタンプは
modelOptions.timestampsを"word"/"segment"/"none"から選ぶ - キーワードは
phraseList.phrasesに文字列の配列で渡す - 出力スタイルは
modelOptions.transcribeStyleを"verbatim"/"clean"から選ぶ（デフォルトはverbatim） - 言語を固定する場合は
localesに言語コードを1つだけ指定
室谷代表取締役デフォルト値が地味に大事で、タイムスタンプは指定しないと
公開用の字幕を作りたいならcleanを明示的に選ぶ必要があります。
none、話者分離も指定しないと無効、出力スタイルは指定しないとverbatimなんですよ。つまり何も指定しないと言い淀みまで含めた素の記録が出てくる。公開用の字幕を作りたいならcleanを明示的に選ぶ必要があります。
テキトー教師DotAI 認定講師そこは受講生さんがハマりやすいポイントですね。「なんか読みにくい文字起こしだな」と思ったら、スタイル指定を忘れているパターンです。
室谷代表取締役あと、Voice Live APIの入力音声の文字起こしにもMAI-Transcribeが使えると書かれています。input_audio_transcriptionのセッション設定でモデルを指定する形ですね。
音声エージェントを作っている人には関係してくる話です。
音声エージェントを作っている人には関係してくる話です。
テキトー教師DotAI 認定講師リアルタイム系の使い方については、後ほど専用の見出しで触れましょう。APIの設計思想を知りたい方は、ChatGPT 5（GPT-5）完全ガイド【2026年最新】：料金・モデル・使い方・制限・無料版との違いを徹底解説のようにモデルごとのパラメータ設計を比較してみるのも勉強になりますよ。
GPT-TranscribeやGemini 3.5と比較——速度・精度・ベンチマークの実力
室谷代表取締役ここが一番センセーショナルな部分です。公式ページには、Artificial Analysisの評価に基づいて、OpenAIのGPT-Transcribeより10倍速く、ElevenLabsのScribe v2より7倍速く、Gemini 3.5 Transcribeより5倍速いと書かれています。
テキトー教師DotAI 認定講師同時に「より高い精度で」という但し書きもついています。そしてベンチマークの実績として、FLEURSの60言語で平均単語エラー率5.2%を記録して1位、Artificial Analysisの精度と遅延のパレートフロンティアで1位、単語エラー率のリーダーボードで2位、と並んでいます。
室谷代表取締役パレートフロンティアで1位というのは、精度と速度のトレードオフを解消したという主張なんですよ。従来は「正確なモデルはライブには遅い、速いモデルは精度を犠牲にする」という関係があった。
そこに対して、両方を同時に満たす位置にいる、と言っているわけです。
そこに対して、両方を同時に満たす位置にいる、と言っているわけです。
テキトー教師DotAI 認定講師ただし、これはあくまでMicrosoft側が引用しているArtificial Analysisの評価結果です。第三者による追試の結果が今回の資料にあるわけではありませんので、そこは冷静に受け止めたいところですね。
室谷代表取締役比較対象として公式ページに明記されているのは、Gemini 3.5 Transcribe、GPT-Transcribe、Whisper V3-Large、Scribe v2です。この4つと並べて優位性を主張している、というのが正確なところです。
テキトー教師DotAI 認定講師あと見落としがちなのが、長尺音声での速度向上です。公式ページには「特に長尺音声で最大10倍高速」と書かれています。
会議の録音や通話ログのような長時間の素材を扱う現場では、ここの差が効いてきます。
会議の録音や通話ログのような長時間の素材を扱う現場では、ここの差が効いてきます。
室谷代表取締役ユースケースも公式ブログで具体的に挙げられています。コールセンターの分析と品質管理、会議やインタビューのインテリジェンス化、音声エージェントやリアルタイムアシスタント、メディアの字幕とローカライズ、コンプライアンスや法務の記録、アクセシビリティ。
医療の臨床ノートや法務の文書化も想定用途として明記されています。
医療の臨床ノートや法務の文書化も想定用途として明記されています。
テキトー教師DotAI 認定講師コールセンターの例はわかりやすいですね。話者分離でオペレーターと顧客を分ければ通話比率やスクリプト遵守を測れますし、単語タイムスタンプがあれば「通話が転換した瞬間」にスーパーバイザーが直接飛べる。
録音を頭から再生して探す作業がなくなるわけです。
録音を頭から再生して探す作業がなくなるわけです。
室谷代表取締役とはいえ、実際の運用では制約も確認しておきたいですよね。AzureのQ&Aには、MAI-Transcribe-2の話者分離を有効にすると、31分20秒あたりを境に503エラーが返るという利用者報告が上がっています。
その後、同じ録音を再テストしたら200が返るようになったという更新もあり、サービス側の修正があったかどうかは確認されていない、という状況です。
その後、同じ録音を再テストしたら200が返るようになったという更新もあり、サービス側の修正があったかどうかは確認されていない、という状況です。
テキトー教師DotAI 認定講師回答側も、公開されているAzure Speechのクォータには32分という制限は記載がなく、プレビューサービス側の制限か不具合の可能性が高いとコメントしています。長時間の音声を話者分離つきで処理するなら、事前に検証しておくべきですね。
室谷代表取締役代替策としてQ&Aで示されているのは、文字起こしと話者分離を別プロセスに分ける方法です。チャンク分割は応急処置にはなるけれど、チャンクごとに振られる話者IDが同一人物を指す保証はない、という指摘はもっともです。
日本語は使える？対応言語とリアルタイム文字起こしの現状
室谷代表取締役ここは日本の読者が一番気にするところですよね。結論から言うと、日本語は対応しています。
Azure Speechの言語対応表に
Azure Speechの言語対応表に
jaとして明記されていて、MAI-Transcribe-1.5でも2でも対応、つまり前世代から継続してサポートされています。テキトー教師DotAI 認定講師ストリーミング版のドキュメントの言語表でも
jaにチェックが入っていますので、リアルタイム系でも日本語が対象になっていることが確認できます。室谷代表取締役リアルタイムのほうは「MAI-Transcribe-2-Streaming」という別モデルとして提供されています。音声を連続ストリームとして送り、話している途中で増分の文字起こしが返ってくる。
中間結果が現在の文字起こしを更新し、最終結果がセグメントを確定する、という仕組みです。
中間結果が現在の文字起こしを更新し、最終結果がセグメントを確定する、という仕組みです。
テキトー教師DotAI 認定講師ただし重要な注意書きがあります。この機能は現在パブリックプレビューで、サービスレベル契約がなく、本番ワークロードには推奨されない、と明記されています。
一部の機能がサポートされない、あるいは制約がある可能性がある、とも書かれています。
一部の機能がサポートされない、あるいは制約がある可能性がある、とも書かれています。
室谷代表取締役導入方法は2つ。OpenAI Realtime互換のWebSocketを使うRealtime API経由か、接続管理やリトライ、音声ストリーミングを任せられるAzure Speech SDK経由か。
どちらも中間結果と最終結果の両方を返すとされています。
どちらも中間結果と最終結果の両方を返すとされています。
テキトー教師DotAI 認定講師提供リージョンも決まっていて、Sweden Central、Central US、East US 2、Southeast Asiaの4つ。グローバルにアクセスできるけれど、リクエストはこのいずれかにルーティングされる、という説明です。
日本リージョンはこの一覧に含まれていませんので、レイテンシを重視するならリージョン選びは検討ポイントになります。
日本リージョンはこの一覧に含まれていませんので、レイテンシを重視するならリージョン選びは検討ポイントになります。
室谷代表取締役遅延の具体的な数値については、今回の資料には書かれていないんですよ。だから「何ミリ秒」とは書けません。
現時点では明らかにされていません、と正直に伝えるのがいいと思います。
現時点では明らかにされていません、と正直に伝えるのがいいと思います。
テキトー教師DotAI 認定講師用途としてはコールセンター、音声アシスタント、会議や講義の字幕、音声操作インターフェース、リアルタイムのメモ取りが挙げられています。日本語でリアルタイム字幕をやるなら、まずはプレビューの制約を踏まえて検証環境で試す、という順番ですね。
室谷代表取締役音声認識の進化は、テキスト生成モデルの進化と組み合わせると効果が倍増するんですよ。たとえばGPT-5.1とは？適応的推論・パーソナリティ機能・料金・後継モデルまで完全解説【2026年最新】のようなモデルと組み合わせれば、文字起こしの後段で要約や構造化を自動化できますから。
よくある質問
室谷代表取締役ここまでの話を、よく聞かれる形で整理しておきますね。
テキトー教師DotAI 認定講師まず、料金はいくらで、いつまで有効なのか。音声1時間あたり0.10ドルで、2026年12月31日までの期間限定価格です。
恒久的な価格ではない点に注意してください。
恒久的な価格ではない点に注意してください。
室谷代表取締役無料枠はあるのか、という質問については、今回の資料に記載がありません。現時点では明らかにされていません。
テキトー教師DotAI 認定講師日本語は使えるのか。はい、対応言語に日本語が含まれています。
文字起こしでもストリーミングでも対応が確認できます。
文字起こしでもストリーミングでも対応が確認できます。
室谷代表取締役リアルタイムの文字起こしはできるのか。できますが、MAI-Transcribe-2-Streamingという別モデルで、パブリックプレビュー扱いです。
本番利用は推奨されないと明記されています。
本番利用は推奨されないと明記されています。
テキトー教師DotAI 認定講師どこから使えるのか。Microsoft Foundry、MAI Playground、Open Routerで試せて、Azure SpeechのAPIからも呼び出せます。
Voice Live APIの入力文字起こしにも使えます。
Voice Live APIの入力文字起こしにも使えます。
室谷代表取締役精度はどのくらいなのか。FLEURSの60言語で平均単語エラー率5.2%で1位、Artificial Analysisの単語エラー率リーダーボードで2位、精度と遅延のパレートフロンティアで1位と発表されています。
あくまでMicrosoftが引用した評価結果です。
あくまでMicrosoftが引用した評価結果です。
テキトー教師DotAI 認定講師長時間の音声で話者分離を使うときの注意は。プレビュー段階で31分台を境に503エラーが返るという利用者報告があり、その後再現しなくなったという更新もあります。
長時間素材では事前検証をおすすめします。
長時間素材では事前検証をおすすめします。
室谷代表取締役前のバージョンはどうなったのか。MAI-Transcribe-1は2026年8月20日に非推奨、1.5と2がサポートモデルとして並んでいます。
移行を検討するなら2が現行の選択肢ですね。
移行を検討するなら2が現行の選択肢ですね。
テキトー教師DotAI 認定講師最後にひとつ。音声認識は「とりあえず文字になればいい」段階を終えて、誰が話したか、いつ話したか、どの用途向けの出力かに踏み込む段階に入りました。
MAI-Transcribe-2の発表は、その流れを象徴するものだと思います。
MAI-Transcribe-2の発表は、その流れを象徴するものだと思います。
室谷代表取締役価格が1時間0.10ドルというのは、音声を資産として扱う発想を後押ししますよね。MYUUUでも、これまでコストを理由に文字起こしを諦めていたアーカイブに手を付けられるかもしれない。
ただ、プレビュー表記と期間限定価格という条件は、導入判断のときに必ず確認するようにしてください。
ただ、プレビュー表記と期間限定価格という条件は、導入判断のときに必ず確認するようにしてください。
