Microsoftの新音声AI「MAI」3モデルを比較　文字起こし・音声生成の価格と提供状況

Microsoftが発表した新しいMAIモデルは、音声対話の「聞く」と「話す」を担う3種類です。MAI-Transcribe-2-Streamingはリアルタイムの文字起こし、MAI-Voice-2.1とMAI-Voice-2.1-Flashはテキストから音声を生成します。音声エージェントを開発する人に向けたモデル群で、Microsoft Foundryからパブリックプレビューとして利用できます。3639

3モデルの違いを一覧で確認

モデル	主な用途	対応言語	公表されている料金
MAI-Transcribe-2-Streaming	発話中に結果を返す音声認識	60言語。言語を自動判別	音声1時間あたり0.54ドル。2026年末までの導入価格 435
MAI-Voice-2.1	表現力を重視した音声合成	23言語	100万文字あたり22ドル 3536
MAI-Voice-2.1-Flash	応答の速さを重視した音声合成	音声モデルは23言語と報告	100万文字あたり15ドル 3536

料金と提供状況は確認時点の情報です。とくに文字起こしモデルの0.54ドルは導入価格として案内されており、恒久的な料金とは限りません。435

MAI-Transcribe-2-Streaming：話している途中から文字に

従来型の文字起こしのように発話が終わるまで待つのではなく、音声が届くそばから文字起こし結果を更新するのが特徴です。WebSocket経由で連続した音声を受け取り、60言語を自動判別すると報じられています。1

遅延については、情報源によって示し方が異なります。ある報道では音声を受信してから100ミリ秒強で暫定結果を出し始めるとされ、別の報道では話された言葉が表示されるまで約320ミリ秒と説明されています。測定の起点が同じとは限らないため、同一条件の数値として比べることはできません。24

音声認識の評価機関Artificial Analysisのストリーミング文字起こしベンチマークでは、38モデル中で精度1位になったとの報告があります。別の報道では、最終結果の単語誤り率（WER）は2.5％とされています。これは特定の評価環境での結果であり、言語や録音状態、利用するアプリケーションを問わず同じ精度が得られるという意味ではありません。34

料金は音声1時間あたり0.54ドルで、2026年末までの導入価格とされています。開発時には、キャンペーン期間後の料金も確認しておくとよさそうです。435

MAI-Voice-2.1とFlash：表現力か、応答速度か

2つのモデルはいずれもテキストを音声に変換します。MAI-Voice-2.1は表現力を重視したモデル、Flashは会話の待ち時間を抑えたい用途向けの高速版という位置づけです。音声モデルの対応言語は23言語と報じられています。63536

公表された料金は、MAI-Voice-2.1が100万文字あたり22ドル、Flashが同15ドルです。Flashについては「45秒の音声を150ミリ秒の遅延で生成する」との報告もありますが、これはあらゆる環境での入力から再生までの総応答時間を示すものではありません。3536

利用できる報道情報からは、両モデルの音声品質を横並びで比較できる公開ベンチマークは確認できません。文字起こしモデルの精度評価を、音声生成モデルの順位として捉えないよう注意が必要です。3234

開発者が試せる範囲と、Microsoftの狙い

3モデルはいずれもMicrosoft Foundryでパブリックプレビューとして提供されています。開発者が試せる段階ではありますが、一般提供済みという意味ではありません。36

今回の発表により、Microsoftの開発者向け環境では、音声をテキストにする機能と、テキストから返答音声を作る機能の両方を自社モデルで組み合わせやすくなります。音声エージェントの音声入出力部分について、外部のモデルやサービスに頼る必要を減らせる可能性はあります。ただし、会話の推論や処理の組み立てなど、音声以外の機能まで他社サービスなしで完結すると示されたわけではありません。639

まとめ

比較の軸がはっきりしているのは文字起こしモデルです。60言語に対応し、発話中に結果を返すほか、Artificial Analysisの評価で精度1位、最終WER 2.5％との報告があります。音声生成の2モデルは、表現力と速度のどちらを優先するかで選ぶ形です。実運用を決める前に、プレビューの利用条件、現在の料金、想定する環境での遅延を確認しましょう。1343536