Microsoft、自社音声認識「MAI-Transcribe-2」を公開——1時間0.10ドルの破格価格で、精度・速度・コストを同時に主張

何が起きたか

Microsoft AI が、自社開発の音声認識（文字起こし）モデル「MAI-Transcribe-2」をパブリックプレビューで公開しました。価格は1音声時間あたり0.10ドル（2026年12月31日までの期間限定価格。通常価格は未公表）で、1,000分あたり約1.67ドルに相当します。同社は、精度・速度・コストのすべてで OpenAI・Google・ElevenLabs を上回ると主張し、速度は OpenAI の GPT-Transcribe 比で最大10倍、ElevenLabs の Scribe v2 比で7倍、Google の Gemini 3 比で5倍などと説明しています。前世代から精度を高め、対応言語を60に拡大したほか、話者分離（誰が話したかの区別）や単語単位のタイムスタンプにも対応。多言語音声ベンチマーク「FLEURS」で首位に立ったとしています。提供は Microsoft Foundry、MAI Playground、および OpenRouter を通じて行われます。

なぜ重要か

会議の議事録、商談やコールセンターの記録、動画の字幕づくりといった文字起こしは、多くの企業で発生する定型作業です。その単価が1時間0.10ドル台まで下がれば、これまで人手や高価なサービスに頼っていた作業を、低コストで自動化しやすくなります。大手各社が音声認識で価格と速度を競い合う構図は、AI の基礎機能がコモディティ化し、「高機能を安く大量に」使える時代へ進んでいることを示しています。話者分離やタイムスタンプ対応は、記録の検索性や活用の幅を広げる実務的な進歩です。

経営者の視点

文字起こしは、AI 活用の効果が見えやすく、失敗しても影響が小さい「始めやすい入り口」です。まずは会議録や問い合わせ対応の記録など、社内で反復している音声業務を1つ選び、低コストの文字起こしを試して工数削減を実測するとよいでしょう。ただし期間限定価格は将来変わりうるため、通常価格や他社サービスとの比較も前提に置いてください。顧客の音声など機微な情報を扱う場合は、データの保存先や二次利用（学習利用）の有無など、提供元の取り扱い条件を必ず確認したうえで導入するのが安全です。