Microsoft音声AI 3本同時公開 ─ Transcribe-2 2.5%WER・Voice-2.1の実測値

Microsoftが音声AIを3本同時リリース、文字起こしは世界1位

2026年10月1日、Microsoft AIは音声エージェント向けのモデルを3本まとめて公開した。リアルタイム文字起こしのMAI-Transcribe-2-Streaming、多言語読み上げのMAI-Voice-2.1、その高速版MAI-Voice-2.1-Flashである。

発表の核心は「音声エージェントは聴く・理解する・決める・話すのループであり、その全工程が人間が会話と感じる時間窓に収まらなければならない」という設計思想にある。今回の3本は、その窓の両端——聴く側と話す側——から時間を稼ぐための部品だ。

MAI-Transcribe-2-Streaming：WER 2.5%・60言語

文字起こしモデルの実測値は明確である。

精度：最終トランスクリプトのWER（単語誤り率）2.5%。Artificial AnalysisのAA-WER Streamingインデックスで38モデル中1位
速度：発話終了から0.13秒で最終結果。最初の部分結果（partial）は音声受信から100ミリ秒強で出る
言語：60言語。自動・継続的な言語検出に対応
価格：音声1時間あたり0.54ドル（年末までの導入価格）

特筆すべきは、最初のpartialのWERも2.5%で、最終結果と同精度という点だ。つまり発話が終わる前から、エージェントは確定レベルの精度で動き始められる。Microsoftは社内評価で「競合最速のものより単語が2倍速く画面に出る」としている。

比較対象も押さえておく。2位のGrok Voice Transcribe 2.0はWER 2.7%・0.49秒、Muse Voice TranscribeはWER 3.1%・0.16秒。最速のCartesia Ink-2は0.07秒で最終を返すがWERは4.0%に落ちる。

価格を1000分あたりに正規化すると9.00ドル。ElevenLabsやDeepgram Fluxの約6.50ドルより高く、xAIとMetaも上回る。Microsoft自身のバッチ版MAI-Transcribe-2は1時間0.10ドルなので、ストリーミングはその5.4倍だ。

MAI-Voice-2.1：1つの声で23言語

読み上げ側の主役はMAI-Voice-2.1である。

23言語・26ロケールに対応
「1つの声」が全言語をネイティブなアクセントで話す。英語→北京語→ドイツ語と切り替えても話者は同一に聞こえる
価格は100万文字あたり22ドル
推論レイテンシは約550ミリ秒
数秒の参照音声から声をクローン可能。同意ガードレールが組み込まれている

従来の多言語TTSは、1つのアクセントを全言語に引きずるか、言語ごとに別の話者を割り当てるかの二択だった。MAI-Voice-2.1はそこを崩しにきている。教育アプリが言語を切り替えても「先生」が変わらない、というのがMicrosoftの訴えだ。

Microsoftは4,000人の参加者を対象にしたテストで、約半数がその声を実在の人物のものと信じたと述べている。

MAI-Voice-2.1-Flash：150ミリ秒・15ドル

高速版の数字も具体的だ。

45秒の音声をエンドツーエンド150ミリ秒で生成
モデル推論は55%高速化、同等モデルより約60%安い
価格は100万文字あたり15ドル（通常版22ドルから約32%減）
対応言語とクロス言語話者はMAI-Voice-2.1と同一

FlashをTranscribe-2-Streamingと組ませると、聴く側0.13秒＋話す側0.15秒でループの両端がほぼ埋まる。残った時間がエージェントの推論とツール呼び出しに回る、というのがMicrosoftの計算だ。

料金まとめと注意点

数字を1か所にまとめておく。

MAI-Transcribe-2-Streaming：0.54ドル/時間（年末までの導入価格）
MAI-Transcribe-2（バッチ）：0.10ドル/時間
MAI-Voice-2.1：22ドル/100万文字
MAI-Voice-2.1-Flash：15ドル/100万文字

注意点は3つある。第一に、これらはすべてパブリックプレビューで、SLAがなく期間限定の導入価格であること。第二に、重みは公開されていない。MAI-Voice-2.1は23言語対応だが、自己ホストやファインチューニングはできない。第三に、ストリーミング文字起こしの価格は競合より高めで、コスト重視なら自前ホスティングやアグリーメント次第でバッチ版を使う判断もあり得る。

利用経路はMicrosoft Foundry（Azure Speech）、MAI Playground、そして音声2モデルはOpenRouterでも提供される。Microsoftは3モデルを連携させるライブデモ「Chatter」もPlaygroundに用意した。

何が変わったのか

今回の3本で最も実務的な意味を持つのは、partialの精度が最終と同等になったことだ。これまでは「速いが不正確な途中結果」と「遅いが正確な確定結果」のトレードオフがあり、エージェントは途中結果を無視するか、誤動作を覚悟で使うかの選択を迫られていた。WER 2.5%のpartialは、そのトレードオフを消す。

日本語圏の開発者にとっては、60言語に日本語が含まれるか、MAI-Voice-2.1の23言語に日本語が入るかが実務上の分岐点になる。Microsoftの発表ページは言語リストの全文を明示していないため、実際に導入する前にAzure Speechのドキュメントで日本語対応を確認すべきだ。ここを確認せずに本番設計へ進むと手戻りが大きい。

音声エージェントは2026年の主戦場になりつつある。推論モデルの座組が固まりつつある一方で、聴く・話すという入出力の層はまだ入れ替わりが激しい。今回の発表は、その入出力層でMicrosoftが一気に主導権を狙いにきたことを示している。