AI・生成AIMicrosoft「MAI-Transcribe-2-Streaming」は評価でWER2.5%。0.13秒の条件と価格を確かめる
最終・暫定WERはArtificial Analysisの評価でともに2.5%。入力からの表示と発話終了後の遅延、音声2モデルのOpenRouter提供、公開プレビューのSLAなし・本番非推奨を分けて確認する
まず初めに
各社がこぞって「うちが世界一速い」と叫び合うAI音声業界に、Microsoftがまた新しい看板を引っさげて殴り込みをかけてきた。0.13秒だの150ミリ秒だの、人間の反射神経ではまともに体感できない数字を競い合うレースに、いったいどこまで付き合えばいいのか、少し立ち止まって考えたくなる。※個人の感想です
何が起きているのか
Microsoftは2026年10月1日、AI部門「Microsoft AI」として、音声まわりの新モデル3種を発表しました。1つ目は、同社として初めてとなるストリーミング形式の文字起こしAI「MAI-Transcribe-2-Streaming」です。話されている最中に逐次テキスト化していく仕組みで、60言語に対応し、どの言語が話されているかを自動で判定します。Microsoftの公式発表は、音声を受け取ってから100ミリ秒強で最初の暫定テキスト（partial）を出し、文脈が増えるにつれて修正すると説明しています。
別の数値として、Artificial Analysisの評価発表では、AA-WER Streamingの最終文字起こしと最初の部分認識のWERは、ともに2.5%です。暫定側を2.8%とする記述は誤りでした。最終の遅延は0.13秒、最初の部分認識は0.12秒と報告されています。
| 説明の出所 |
何を測った・説明した値か |
数値 |
| Microsoftの発表 |
音声を受け取ってから最初の暫定表示まで |
100ミリ秒強 |
| Artificial Analysisの評価 |
発話終了後の最終文字起こし |
WER2.5%・遅延0.13秒 |
| Artificial Analysisの評価 |
発話終了後の最初の部分認識 |
WER2.5%・遅延0.12秒 |
評価元の測定方法は、SileroVADという音声の区切りを検出する仕組みで発話終了を判定し、その後の最終・部分認識の遅延を測ると説明しています。遅延には通信も含まれ、WERは評価用データと集計条件に基づきます。Microsoftの入力受信からの100ミリ秒強と、評価元の発話終了後の0.12秒は、起算点が異なる値です。60言語のあらゆる音声や回線で同じ精度・速度が出ると保証した数値でも、IT Postの実測でもありません。
2つ目と3つ目は、音声合成AIの「MAI-Voice-2.1」と、より高速版の「MAI-Voice-2.1-Flash」です。MAI-Voice-2.1は23言語・26の地域設定(ロケール)に対応し、1つの話者の声を保ったまま、言語ごとのアクセントや言い回しに合わせて複数言語を切り替えられるとしています。Microsoftは、Flash版で45秒の音声を150ミリ秒のエンドツーエンド遅延で生成できると説明しています。この発表に最大生成長の記載はありません。
価格は、MAI-Transcribe-2-Streamingが1時間あたり0.54ドル(1000分あたり9ドル、2026年内の案内価格)、MAI-Voice-2.1が100万文字あたり22ドル、Flash版が100万文字あたり15ドルです。Microsoftの公式発表は、3モデルをMicrosoft Foundry、MAI Playground、Vercel、Azure Voice Liveで利用できると案内しています。OpenRouterで挙げているのはMAI-Voice-2.1とMAI-Voice-2.1-Flashの音声合成2モデルです。LiveKitは今後対応予定であり、提供済みの経路に含めないでください。
また、Streaming版のMicrosoft Learn資料は公開プレビューで、サービスレベル契約（SLA）なし、本番用途は非推奨と明記しています。従来引用していたMAI-Transcribeの資料は音声ファイルを扱う別の説明です。Streaming版の実装方法・提供条件は、Streaming専用の資料で確認する必要があります。
なぜ重要なのか
音声AIを使った対話エージェント(いわゆる音声アシスタントやコールセンター向けボットなど)を自然な会話として成立させるには、相手の発言をすばやく正確にテキスト化する「文字起こし」と、自然な声で応答を返す「音声合成」の両方が、遅延なくそろっている必要があります。Microsoftは今回、この両方を自社モデルでそろえたことになり、音声エージェントを作るための一通りの部品が社内で完結した形です。
発話終了後の評価で最終0.13秒という値と、音声入力から100ミリ秒強で暫定表示するという説明は、音声アプリの設計で参考になる異なる指標です。ただし、文字起こしの後に行う推論やツール処理、音声合成まで含む応答全体がその時間で終わることを示してはいません。OpenAIやGoogle、ElevenLabsなど他社も音声AIの性能競争を続けており、今回の発表はその競争がさらに激しくなっていることを示しています。
私たちへの影響
MAI-Transcribe-2-Streamingは日本語にも対応しているとされており、将来的にはコールセンターの自動応答、会議の字幕生成、音声入力アプリなど、日本語の音声を扱うサービスの裏側でこうしたモデルが使われる可能性があります。これらは開発者向けの基盤技術で、実際のサービスへの組み込みは提供事業者の対応次第です。特にAzureのStreaming版は公開プレビューで、本番用途は非推奨と案内されています。評価上の速度だけで本番導入を決めず、提供条件と自分の用途での検証を分けて確認してください。
AI音声エージェントを使ったサービスが増えるほど、コールセンターや受付業務など、人による対応が担ってきた仕事の一部がAIに置き換わっていく可能性もあります。応答の自然さや速さが向上するほど、この流れは加速しやすくなると考えられます。
初心者が知っておくべきこと
単語誤り率(WER、Word Error Rateの略)とは、AIが音声を文字に変換した際に、誤って認識した単語の割合を示す指標です。数値が低いほど、聞き取りの精度が高いことを意味します。
音声合成とは、文字で書かれた文章を、人間の声に近い音声データに変換する技術です。読み上げの自然さや、感情表現の豊かさなどが、技術の進歩を測る指標としてよく使われます。
IT Postの見方――「0.13秒」の裏側で、誰の仕事が置き換わるのかも考えたい
IT Postでは、文字起こしと音声合成の両方で低遅延・高精度をうたうモデルがそろったこと自体は、技術的な進歩として素直に評価できると考える。一方で、こうした音声AIの性能向上は、コールセンターのオペレーターや受付業務など、人が担ってきた対話の仕事をAIに置き換えていく動きと表裏一体でもある。
価格が1時間0.54ドルという水準まで下がってくると、企業にとって音声AIを導入する経済的なハードルはさらに下がる。便利になる利用者側の恩恵と、仕事を奪われるかもしれない労働者側の不安は、同じ技術進歩の両面として、どちらも軽視せずに見ていく必要があるとIT Postは考える。
今後どうなりそうか
Microsoftは、LiveKit経由での対応拡大など、提供経路の拡充を進めるとみられます。現時点で確認できた出典の範囲では、日本国内の具体的なサービスへの採用事例は明らかになっていません。IT Postでは、続報があれば改めて取り上げます。
