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60言語にわたるFLEURSベンチマークで平均単語誤り率5.2%という結果で首位にランクインしたとしています。発表で、Microsoftは同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位置付け、音声1時間あたり0.10ドルで提供すると述べました。

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を追加し、Gemini 3.5 Transcribe、GPT-Transcribe、Whisper V3-Large、ScribeV2などの競合モデルを幅広い実世界音声で上回ると述べました。発表によれば、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、単語誤り率リーダーボードで第2位にランクインし、従来のMAI-Transcribeバージョンの結果を上回っています。

Microsoftは、同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、特に長時間音声に対して、主要競合他社の最大10倍の処理速度で、はるかに低いレイテンシで推論が高速化されたと報告しました。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倍高速でありながら、精度も高いと述べました。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2.0％、速度係数403.6で、1時間分の音声が約10秒で処理されることを意味します。

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、同モデルが他のどのモデルよりも多くの言語で高精度であり、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、複雑性が低減し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がAzure Speechでパブリックプレビューとして利用可能であり、サービスレベル契約はなく、本番ワークロードには推奨されていないと記載されています。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からテキストへのモデルとして説明し、動画字幕、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を対象としています。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に設定することで同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付きで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すべての単語のタイミングを返し、segmentオプションはセグメントごとのタイミングを、noneオプションはタイムスタンプデータを省略します。phrase-listパラメータは、ドメイン固有の用語、略語、固有名詞など、提供された語句に認識をバイアスさせ、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、フィラーワードや言い直しを含めて話された通りに音声を捕捉し、コンプライアンス、QA、分析ワークロードに適しています。clean設定はフィラーワードを除去し、一般的な話し言葉のパターンを自動フォーマットして、より読みやすい字幕、メモ、公開トランスクリプトを生成します。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のような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、MAI-TranscribeがVoice Live APIのセッション構成フィールドを通じて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、同モデルがMicrosoft FoundryおよびMAI Playground、さらにOpenRouterを通じてデモ利用可能であると述べています。