--- title: "Microsoft「MAI-Transcribe-2-Streaming」は評価でWER2.5%。0.13秒の条件と価格を確かめる" description: "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" url: https://itpostjp.com/ai/microsoft-mai-transcribe-2-streaming-voice-2-1/ category: "AI・生成AI" published_at: 2026-10-04T22:20:00Z updated_at: 2026-10-05T02:01:19Z author: "IT Post編集部" editor: "編集長 千田智也" publisher: "IT Post by Rice Studio Lab" language: ja-JP ai_generated: true ai_model: claude-sonnet-5 terms: ["単語誤り率(WER)", "音声対話AI"] --- # Microsoft「MAI-Transcribe-2-Streaming」は評価でWER2.5%。0.13秒の条件と価格を確かめる IT Post編集部 ＆ 編集長 千田智也 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 ## 30秒で分かる結論 - Microsoftは10月1日、60言語対応の「MAI-Transcribe-2-Streaming」を発表しました。Artificial AnalysisのAA-WER Streaming評価では、最終・最初の部分認識ともWER2.5%、発話終了後の遅延は最終0.13秒・部分0.12秒です。すべての利用条件での保証ではありません。 - 同時に、音声合成AI「MAI-Voice-2.1」と、より高速な「MAI-Voice-2.1-Flash」も発表しました。MAI-Voice-2.1は23言語・26の地域設定に対応し、同じ声のまま複数言語を切り替えられます。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、文字起こしが1時間あたり0.54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15ドルです。3モデルの提供先はMicrosoft Foundry、MAI Playground、Vercel、Azure Voice Liveと案内されています。OpenRouterは音声合成2モデル、LiveKitは今後の対応予定です。StreamingのAzure提供は公開プレビューで、SLAなし・本番用途は非推奨です。 ## 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](https://microsoft.ai/news/our-first-streaming-transcription-model/)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](https://www.linkedin.com/posts/artificial-analysis_microsoft-ai-has-released-mai-transcribe-activity-7511472429882540032-NZLH)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](https://artificialanalysis.ai/methodology/speech-to-text)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](https://learn.microsoft.com/en-us/azure/ai-services/speech-service/mai-transcribe-2-streaming?context=/azure/foundry/context/context)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](https://learn.microsoft.com/en-us/azure/ai-services/speech-service/mai-transcribe)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。 ## 訂正履歴 - 2026-10-05T02:01:19Z: Flash版の45秒を最大生成長として扱った要約と本文を訂正しました。Microsoftの説明は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いうもので、発表に最大生成長の記載はありません。 - 2026-10-05T00:05:27Z: 最初の部分認識のWERを2.8%から評価元の2.5%へ訂正しました。Microsoftの音声入力から100ms強という説明と、Artificial AnalysisのAA-WER Streaming評価における発話終了後の最終0.13秒・部分0.12秒、いずれもWER2.5%という値を区別し、評価条件に基づく値で全用途の保証やIT Postの実測ではないと明記しました。OpenRouterは音声合成2モデル、3モデルの案内先はFoundry・MAI Playground・Vercel・Azure Voice Live、LiveKitは今後対応予定と修正しました。Streaming専用の公式資料と公開プレビュー・SLAなし・本番用途非推奨の条件を追加し、従来の音声ファイル用資料と区別しました。 ## 情報源 - [Our first streaming transcription model debuts at no. 1 on Artificial Analysis](https://microsoft.ai/news/our-first-streaming-transcription-model/) — Microsoft AI公式（一次情報） - [MAI-Transcribe-2 - Speech Service (Foundry Tools)](https://learn.microsoft.com/en-us/azure/ai-services/speech-service/mai-transcribe) — Microsoft Learn（一次情報） - [AA-WER Streaming: MAI-Transcribe-2-Streaming評価](https://www.linkedin.com/posts/artificial-analysis_microsoft-ai-has-released-mai-transcribe-activity-7511472429882540032-NZLH) — Artificial Analysis（一次情報） - [Speech to Text Methodology（Streaming測定条件）](https://artificialanalysis.ai/methodology/speech-to-text) — Artificial Analysis（一次情報） - [MAI-Transcribe-2-Streaming overview（公開プレビュー）](https://learn.microsoft.com/en-us/azure/ai-services/speech-service/mai-transcribe-2-streaming?context=/azure/foundry/context/context) — Microsoft Learn（一次情報） - [Microsoft AI Releases MAI-Transcribe-2-Streaming: #1 Real-Time Speech-to-Text Model on Artificial Analysis](https://www.marktechpost.com/2026/10/02/microsoft-ai-releases-mai-transcribe-2-streaming-1-real-time-speech-to-text-model-on-artificial-analysis/) — MarkTechPost - [Microsoft launches new voice agents: MAI-Transcribe-2-Streaming and MAI-Voice-2.1 explained](https://www.digit.in/features/general/microsoft-launches-new-voice-agents-mai-transcribe-2-streaming-and-mai-voice-21-explained.html) — Digit ## この記事に出てくるIT用語 - [単語誤り率(WER)](https://itpostjp.com/terms/word-error-rate/): AIによる音声の文字起こしが、どれだけ単語を誤って認識したかを示す割合のことです。 - [音声対話AI](https://itpostjp.com/terms/speech-to-speech-ai/): 人間の話し声を直接認識し、文字への変換を経ずに音声のまま応答を生成するAIモデルの総称です。 --- この記事は、公開情報と出典URLの検証、文章作成の一部に生成AIを使用しています。内容の責任はIT Post by Rice Studio Labが負います。 出典表記: IT Post by Rice Studio Lab — https://itpostjp.com/ai/microsoft-mai-transcribe-2-streaming-voice-2-1/