Microsoftの10人チームが作った音声モデルがOpenAI・Google・ElevenLabsを全ベンチマークで上回る——1時間0.10ドル

このモデルはMAI-Transcribe-2と呼ばれる。ムスタファ・スレイマン（Mustafa Suleyman）が率いるMicrosoft AI部門が9月3日にリリースし、価格は1音声時間あたり0.10ドル——2026年末まで限定だ。以前のバージョンMAI-Transcribe-1.5は1時間あたり0.36ドルだった。72%の値下げは単なるマーケティング上の丸めではない。年間10万時間の音声を処理するコンタクトセンターは、従来モデルで3万6000ドル支払っていたが、同じワークロードが今では1万ドルになる。

ベンチマーク性能がこの価格を際立たせている。FLEURS多言語評価では、MAI-Transcribe-2が60言語で平均単語誤り率5.2%を達成し、OpenAIのGPT-Transcribe、GoogleのGemini 3.5 Transcribe、ElevenLabs Scribe v2、MetaのWhisper V3-Largeを上回って1位となった。精度とレイテンシの両方を追跡するArtificial Analysisリーダーボードでは全体2位に位置し、研究者らがパレートフロンティアと呼ぶ境界——一方の指標を改善するともう一方が悪化する限界線——を定義している。このモデルは、単一指標のトップを追うのではなく、そのフロンティアの効率的なエッジに位置するよう訓練された。

速度も検討に値する2つ目の主張だ。マイクロソフトによると、MAI-Transcribe-2はGPT-Transcribeの10倍、ElevenLabs Scribe v2の7倍、Gemini 3.5 Transcribeの5倍の速度で音声を処理する。長尺音声——ポッドキャストの文字起こし、法定証言録取、臨床ノート——では、この差がワークフローを秒単位で完了するか分単位で完了するかを左右する。また、話者ダイアライゼーション（誰がいつ話したかの識別）、単語レベルのタイムスタンプ、専門用語に対するキーワードバイアス、そして文の途中で言語が混ざるケースに対応するコードスイッチング（テスト例としてヒンディー語と英語の混合、スペイン語と英語の混合が挙げられている）もサポートする。

開発チームは、その成果の大きさに見合う注目すべき規模だ。マイクロソフトはコアグループを10人と説明し、最小限の内部官僚機構で運営され、データ取得やベンダー管理を担当する大規模チームによって支援されているという。結果として得られたGPU効率の主張は具体的だ。MAI-Transcribe-2は競合する最先端モデルの半分のGPUコストで動作する。この主張がエンタープライズ負荷の大規模環境で成立するかは発表から検証できないが、アーキテクチャの主張はテスト可能なほど正確である。

モデルは現在、Microsoft Foundry、MAI Playground、Open Routerで利用可能であり、Azure契約やマイクロソフトのエンタープライズ関係は不要だ。この流通範囲の広さは意図的なものだ。OpenAIパートナーシップの再編を受けて、Microsoft AIが開発者向けダイレクトAPIへの展開を推進しているのは、より広範なポジショニングの一環である。2025年10月と2026年4月の修正により、2019年から関係を定義してきた独占契約と収益分配契約は廃止された。マイクロソフトは今や、OpenAIの出力を単に配布するのではなく、モデルレイヤーで直接競争するインセンティブを持っている。

0.10ドルの価格は2026年末までの限定と明記されている。その後の標準価格は未公開だ。MAI-Transcribe-2を本番ワークロードに評価している購入者は、2027暦年のコストが不明な製品に価格をつけていることになる。これは、現在の料金が目に見えるすべての代替案に対して魅力的であるとしても、明確に挙げるべきリスクである。

タグ: Google, OpenAI, AI, microsoft, ElevenLabs, MAI-Transcribe-2