この記事のポイント
- MAI-Transcribe-2は60言語の音声を文字にするMicrosoftのプレビュー中モデルです。
- 料金は1時間0.10ドルの導入価格。2026年末までの案内で、円換算は為替で変わります。
- FLEURSの誤り率はMicrosoftの測定結果。日本語と社内用語で修正工数も比べます。
Microsoftの資料をもとに、MAI-Transcribe-2の精度評価、料金、提供段階を整理します。導入担当者が試す際に見るポイントも紹介します。
60言語に対応する文字起こしモデル
MAI-Transcribe-2は、Microsoft AIチームが自社開発した音声文字起こしモデルです。Microsoft Learnの公式ドキュメントによると、「Microsoft Foundry」上でパブリックプレビューとして提供が始まっており、会議・動画の字幕付け・コールセンターの記録・医療の診療メモ・音声エージェントなど幅広い用途を想定しています。現時点はパブリックプレビューのためSLA(サービス品質保証)は付かず、本番運用は推奨されていません。精度面では、多言語音声認識の代表的なベンチマーク「FLEURS」で60言語平均の単語誤り率(WER)5.2%で首位に立ったとMicrosoftは発表しています。比較対象はGemini 3.5 Transcribe・GPT-Transcribe・Whisper V3-Large・ScribeV2ですが、Microsoft自身の計測である点は割り引いて見る必要があります。機能面では、話者分離・単語単位のタイムスタンプ・社内用語や製品名を事前登録できるキーワード指定・自動言語判定(会話途中の言語切り替えにも対応)・「verbatim」(そのまま)と「clean」(整形済み)のスタイル切り替えが揃っています。対応言語は日本語を含む60言語です。
価格は1時間0.10ドル、ただし期間限定
料金は音声1時間あたり0.10米ドルで、2026年末までの導入価格として案内されています。前世代のMAI-Transcribe-1.5は1時間0.36米ドルでした。MAI-Transcribe-2はMicrosoft Foundry経由のAPI提供が基本で、社内の録音を処理するには開発・連携作業が必要です。単価だけでなく、認識結果の修正と運用の費用も比較対象になります。
出典・詳細: 公式ドキュメント。
まとめ：単価と認識結果の修正工数を比較する
文字起こしを検証する方は、料金だけでなく日本語や社内用語の認識精度、修正にかかる時間も比べるとよいでしょう。公開プレビュー中でSLAがないため、本番利用を決める前に提供条件と運用上のリスクを確認できます。
※ 2026年9月時点の情報です。MAI-Transcribe-2はパブリックプレビュー段階のため、価格・仕様とも今後変更される可能性があります。会話の間合いや割り込みへの対応など音声AIの「自然さ」を追求する動きは、OpenAIの音声会話モデルの記事もあわせて参考にするとよいでしょう。
