Microsoftが語る、MAI-Transcribe-2が60言語でFLEURSベンチマーク首位に

Microsoft AIは2026年9月3日にMAI-Transcribe-2をリリースしました。この音声認識モデルは、同ラボが実施したFLEURSベンチマークで60言語すべてで首位にランクインし、平均語彙誤り率は5.2%とされています。発表では、Microsoftはこのモデルをこれまでで最も高性能な文字起こしシステムと評価し、音声1時間あたり0.10ドルの価格設定としています。

Microsoftは、MAI-Transcribe-2が話者分離、設定可能な文字起こしスタイル、単語レベルのタイムスタンプ機能を備えており、Gemini 3.5 Transcribe、GPT-Transcribe、Whisper V3-Large、ScribeV2などの競合モデルを実世界の音声幅広く上回ると述べました。発表によると、同モデルはArtificial Analysisにおける精度とレイテンシのパレートフロンティアを定義し、語彙誤り率リーダーボードで第2位にランクインしており、従来のMAI-Transcribeバージョンよりも改善されています。

Microsoftは、このモデルを臨床ノート作成、法務文書作成、アクセシビリティ、クローズドキャプションなどのワークロード向けに位置付けています。同社は、特に長時間音声において、主要競合より最大10倍の処理速度で、はるかに低いレイテンシで推論できると報告しました。また、制御された録音環境外の騒音下でも文字起こし品質を維持すると述べています。

ベンチマーク結果

Artificial Analysisが実施した評価を引用し、MicrosoftはMAI-Transcribe-2がOpenAIのGPT-Transcribeより10倍、ElevenLabsのScribe v2より7倍、Gemini 3.5 Transcribeより5倍速く、かつ精度が高いと述べました。同社によれば、同モデルはベンチマークの精度対速度チャートで最も魅力的な象限に単独で位置し、誤り率は2.0%、速度係数は403.6で、1時間分の音声が約10秒で処理されるとしています。

公開されている多言語FLEURSベンチマークにおいて、MicrosoftはMAI-Transcribe-2がテストされた60言語すべてで一貫して高い精度を維持していると報告しました。同社は、このモデルが他のどのモデルよりも多くの言語で正確であり、複数言語で文字起こしを行う開発者は単一モデルに依存できるため、複雑さが削減され、GPU使用率の削減も期待できると述べました。発表では、同モデルの速度とスループットにより、市場で最も競争力のある価格を提供できるとしています。発売時の時間あたり0.10ドルの料金は、年末までの期間限定オファーです。

利用可能性と開発者向け機能

Microsoft Learnのドキュメントでは、MAI-Transcribe-2はAzure Speechのパブリックプレビューで利用可能と記載されており、サービスレベル合意はなく、プロダクションワークロードには推奨されていません。このドキュメントは、MAI-TranscribeをMicrosoft AIチームが社内で構築した音声→テキストモデルとして説明し、動画キャプション、会議、臨床ノート、コールセンタードキュメント、アクセシビリティツール、コンテンツ作成、音声エージェントなどのワークロードに対応すると述べています。また、MAI-Transcribe-2は以前のMAI-Transcribe-1.5およびMAI-Transcribe-1と併せて掲載されており、後者は2026年8月20日に廃止されました。

リクエストはFast Transcription APIの拡張モードを通じてルーティングされ、拡張モードのモデルプロパティをMAI-Transcribe-2に設定することでモデルが選択されます。音声入力はWAV、MP3、FLAC形式で300 MB未満のファイルに制限され、利用にはAzureサブスクリプションとSpeech用のMicrosoft Foundryリソースが必要です。

オプションパラメータでモデルの機能セットを制御できます。話者分離は録音を話者ごとに分割し、オフセットと継続時間のメタデータとともに話者ラベル付きセグメントを返します。単語レベルのタイムスタンプは各単語のタイミングを返し、segmentオプションはセグメント単位のタイミングを、noneオプションはタイミングデータを省略します。phrase-listパラメータは、ドメイン固有用語、略語、固有名詞などの提供された語句に認識をバイアスし、ドキュメントではこれらの語句は強制出力ではなくヒントとして機能すると記載されています。

文字起こしスタイルパラメータはデフォルトでverbatim（逐語）となっており、コンプライアンス、品質保証、分析ワークロード向けに、間投詞や言い直しを含めて話された通りに音声を取得します。clean設定は間投詞を除去し、一般的な話し言葉のパターンを自動整形して、より読みやすいキャプション、メモ、公開文字起こしを生成します。言語選択は任意で、デフォルトではモデルが自動的に話者の言語を検出し、ドキュメントでは自動検出が失敗した場合にのみ特定言語を強制するよう助言しています。HinglishやSpanglishといった混合言語ペアのコードスイッチングは自動的に処理され、制御された環境外で録音された音声に対するノイズ耐性はモデルに組み込まれています。

ドキュメントでは、Voice Live APIのセッション構成フィールドを通じてMAI-Transcribeが入力音声の文字起こしを提供できることも記載されています。Microsoftは、このモデルがMicrosoft FoundryとMAI Playgroundでデモとして利用可能であり、OpenRouterでの提供は近日中に開始される予定だと述べています。