Microsoft、“世界でもっとも高速・高精度で安価”とうたう音声認識モデルを発表、「MAI-Transcribe-2」

「MAI-Transcribe-2」を発表

　米Microsoftは9月3日（現地時間）、新しい音声認識AIモデル「MAI-Transcribe-2」を発表した。同社はこれを“世界でもっとも高速・高精度で安価な音声認識モデル”とうたっており、「Gemini 3.5 Transcribe」や「GPT-Transcribe」、「Whisper V3-Large」、「Scribe v2」といった競合モデルを上回るとしている。

　「MAI-Transcribe-2」は、今年6月に発表された「MAI-Transcribe-1.5」の後継モデル。対応言語、精度、パフォーマンスにさらなる磨きがかけられた。

　たとえば、同社が多言語音声のベンチマーク「FLEURS」で実施した60言語（日本語を含む）の評価では、平均単語誤り率（WER）が5.2％となり、比較対象のモデルで最良だったという。第三者評価サービス「Artificial Analysis」の結果でも、認識精度と処理速度の両立で優れた評価を得ており、WERのランキングでは2位だった。

FLEURSの60言語における平均単語誤り率（WER）の比較。数値が低いほど高精度（Microsoft公開資料より）

Artificial AnalysisのWERランキングでは2位、WERは2.0％。FLEURSとは異なる評価指標（Microsoft公開資料より、2026年8月28日時点）

　処理速度にも強みがあり、とくに長尺の音声で効果が大きいとのこと。Microsoftが紹介した「Artificial Analysis」の評価結果によると、OpenAIの「GPT-Transcribe」の10倍、ElevenLabsの「Scribe v2」の7倍、Googleの「Gemini 3.5 Transcribe」の5倍高速でありながら、精度でも上回るという。

音声の処理速度を比較する「Speed Factor」。数値が高いほど高速（Microsoft公開資料より、2026年8月28日時点）

認識精度と処理速度の比較。右に行くほど高速で、下に行くほど単語誤り率が低い（Microsoft公開資料より、2026年8月26日時点）

　「MAI-Transcribe-2」で利用できる主な機能は以下の通り。

• 話者分離（ダイアライゼーション）：録音内の話者を区別し、発言を話者ごとに振り分ける
• 単語単位のタイムスタンプ：すべての単語に正確なタイミングを付与し、位置合わせや検索、ナビゲーション、編集をしやすくする
• キーワードバイアス：専門用語や略語、人名など、文脈だけでは判別しにくい語の認識を助ける（継続搭載）
• 文字起こしスタイルの切り替え：言い淀みや言い直しをそのまま書き起こす「verbatim」と、それらを取り除いて読みやすくする「clean」を選べる
• コードスイッチング：「Hinglish」（ヒンディー語＋英語）や「Spanglish」（スペイン語＋英語）のように、会話の途中で言語が入れ替わるケースに対応
• 言語の自動判別：話されている言語を、事前に指定しなくても検出できる（継続搭載）

　そのほかにも、耐ノイズ性を引き続き強化。騒音の多い環境でも文字起こしの品質を保てるという。想定される用途としては、診療記録や法務文書の作成、アクセシビリティ、クローズドキャプションなどが挙げられている。

　価格は音声1時間あたり0.10米ドル。2026年末までの期間限定価格ではあるが、「1.5」の公開時の価格である音声1時間あたり0.36米ドルと比べ、約72％も安い。

　「MAI-Transcribe-2」は現在、「Microsoft Foundry」「MAI Playground」「OpenRouter」で試すことが可能。