平山 大樹 AB通信 運営責任者
AB通信 編集部が、企業・行政の公式発表や決算資料などの一次情報を確認して書いています。運営会社・編集方針
この記事のポイント
- Microsoft AIは2026年11月12日（日本時間13日7時21分）、文字起こしモデル「MAI-Transcribe-2」をMicrosoft Foundryで一般提供し、本番の用途で使えるようにしたと発表しました
- 9月3日にパブリックプレビューとして公開されていたモデルです
- 話者の区別、単語ごとのタイムスタンプ、キーワード指定、言語の自動判定に対応し、日本語を含む60言語を扱えます
- 書き起こし方は、つなぎ言葉も残す「verbatim（そのまま）」と、つなぎ言葉を除く「clean（整えて）」の2つから選べます
- マイクロソフトは、Artificial Analysisの評価にもとづき、OpenAIのGPT-Transcribeより10倍速いとしています
- 料金は音声1時間あたり0.10ドルで、2026年末までの期間限定の価格です
MAI-Transcribe-2がMicrosoft Foundryで一般提供になりました
Microsoft AIの公式X（@MicrosoftAI）は、2026年11月12日22時21分（UTC、日本時間13日7時21分）、MAI-Transcribe-2がMicrosoft Foundryで一般提供になり、本番の用途で使えるようになったと投稿しました。料金は現在、音声1時間あたり0.10ドルとしています。
MAI-Transcribe-2は、マイクロソフトのAI部門Microsoft AI（MAI）が自社で開発した音声認識（文字起こし）モデルです。2026年9月3日の公式発表で紹介され、同じ日にMicrosoft Foundryの公式ブログでパブリックプレビューとして公開されていました。今回の発表で、試験的な提供から、本番で使える提供に変わったことになります。
公式発表では、会議や診療の記録、法務の文書作成、アクセシビリティ、字幕づけなど、実際の業務での利用を想定していると説明しています。
話者の区別や単語ごとのタイムスタンプに対応しています
公式発表とMicrosoft Learnの解説ページによると、MAI-Transcribe-2の主な機能は次のとおりです。
- 話者の区別（ダイアライゼーション）：録音の中で話し手を見分け、それぞれの発言を正しい人に割り当てます
- 単語ごとのタイムスタンプ：単語1つずつの開始時刻と長さを返し、音声との位置合わせ、検索、編集に使えます
- キーワード指定：専門用語、略語、人名など、前後の文脈だけでは聞き分けにくい言葉を認識しやすくします
- 言語の自動判定：話している言語を、事前に指定しなくても判定します
- 言語が混ざる会話への対応：ヒンディー語と英語、スペイン語と英語のように、会話の途中で言語が切り替わる場合にも対応します
- 雑音への強さ：背景の雑音や声の重なりがある、整っていない環境で録った音声でも品質を保つとしています
- 60言語に対応：Learnの対応言語の一覧には、日本語も含まれています
書き起こし方は「そのまま」と「整えて」の2つから選べます
MAI-Transcribe-2では、書き起こしの文体を2つから選べます。
- verbatim（そのまま）：「えー」「あの」といったつなぎ言葉や言い直しも含め、話したとおりに書き起こします。マイクロソフトは、コンプライアンスや品質確認、分析の用途を挙げています。設定しない場合はこちらになります
- clean（整えて）：つなぎ言葉を除き、よくある話し言葉の形を整えて、読みやすい書き起こしにします。字幕、議事録、公開用の書き起こしに向くとしています
開発者は、APIの設定で機能を切り替えます
Learnの解説ページでは、Azure Speechの高速文字起こしAPI（fast transcription）で、enhancedMode を有効にし、モデルに「MAI-Transcribe-2」を指定して使う方法を説明しています。音声ファイルはWAV、MP3、FLACに対応しています。主な設定は次のとおりです。
- 話者の区別：diarization.enabled を true にします。話者の区別を使うと、扱える録音の長さは、使わない場合より短くなります
- タイムスタンプ：modelOptions.timestamps で、単語ごと（word）、区切りごと（segment）、なし（none）を選びます
- キーワード指定：phraseList.phrases に言葉の一覧を渡します。指定した言葉は手がかりとして使われ、必ずその言葉で出力されるわけではありません
- 書き起こしの文体：modelOptions.transcribeStyle で verbatim か clean を選びます
- 言語の指定：locales で1つの言語を指定できます。マイクロソフトは、録音の言語が確実にわかっていて、自動判定がうまくいかない場合にだけ指定するよう案内しています
なお、リアルタイムの文字起こし向けのMAI-Transcribe-2-Streamingは別のモデルで、Learnでは2026年11月13日時点でもパブリックプレビューと案内されています。
マイクロソフトは、GPT-Transcribeより10倍速いとしています
公式発表によると、MAI-Transcribe-2は、Artificial Analysisの精度と応答の速さの評価で、パレートフロンティア（両方で同時にほかのモデルを上回るものがない位置）にあるとしています。Artificial Analysisの単語誤り率のランキングでは2位です。
処理の速さについて、マイクロソフトはArtificial Analysisの評価にもとづき、OpenAIのGPT-Transcribeより10倍、ElevenLabsのScribe v2より7倍、GoogleのGemini 3.5 Transcribeより5倍速く、しかも精度が高い、と説明しています。Microsoft Foundry Labsのページでは、1時間の音声をおよそ10秒のモデル処理で書き起こせるとしています。
精度については、多言語の公開ベンチマークFLEURSの60言語で、平均の単語誤り率が5.2%と、首位だとしています。Foundry Labsのページでは、上位25言語の平均は3.4%と示しています。
料金は音声1時間あたり0.10ドル、2026年末までの期間限定です
料金は音声1時間あたり0.10ドルです。公式発表では、この価格を年末までの期間限定としています。Microsoft Foundryの公式ブログでは、2026年12月31日までと書いています。2027年以降の価格は、今回確認した公式の資料には書かれていません。
マイクロソフトは、Microsoft Foundry、MAI Playground、OpenRouterでMAI-Transcribe-2を試せるとしています。
Copilotをはじめとするマイクロソフトの生成AIの更新は、Copilotの更新履歴にまとめています。
出典
- Microsoft AI公式X「MAI-Transcribe-2をMicrosoft Foundryで一般提供」（2026年11月12日22時21分UTC／日本時間13日7時21分）
- Microsoft AI「MAI-Transcribe-2 is the fastest, most accurate and cheapest speech recognition model in the world」（2026年9月3日）
- Microsoft Foundry Blog「MAI-Transcribe-2: Highest quality transcription, at the fastest speed and lowest cost」（2026年9月3日）
- Microsoft Learn「MAI-Transcribe in Azure Speech」（2026年11月13日確認）
- Microsoft Foundry Labs「MAI-Transcribe-2」（2026年11月13日確認）
- Microsoft Learn「MAI-Transcribe-2-Streaming overview」（2026年11月13日確認）
更新履歴
- 2026年11月13日：初版
