2026年9月3日、米マイクロソフトは新世代の音声テキスト化AI「MAI-Transcribe-2」のパブリックプレビューを開始したと発表した。開発基盤「Microsoft Foundry」上で提供され、60言語に対応する。
多言語精度で首位を獲得 話者識別機能や単語タイムスタンプも実装
マイクロソフトのAI部門（MAI）が開発した本モデルは、従来モデルから精度を大幅に向上させた。多言語ベンチマーク「FLEURS」で最高精度を記録し、業界最高水準の正確性と処理速度を低コストで実現した点が最大の特徴である。従来の音声認識モデルが抱えていた「高精度なモデルは遅く、速いモデルは精度が落ちる」というトレードオフを克服し、雑音や長時間の会議といった企業実務の厳しい条件下でも高い精度を保持する。
新機能として、複数人の会話を分離して記録する「話者識別機能」と、各単語の開始・終了時間を記録する「単語レベルのタイムスタンプ」を搭載した。単なる文章の羅列ではなく、誰がいつ何を発言したかが構造化されたデータとして出力されるため、会議録や取材音声の文字起こし業務が劇的に効率化される。対応言語も60言語へ拡大し、市場最安値の価格帯で提供される。
低コスト化が拓くAIの未来 運用上の課題と産業界への波及効果
新モデルの登場は、音声データを扱うあらゆるビジネスに大きなメリットをもたらす。コンタクトセンターにおける応対分析や会話型AIエージェントの「耳」としての活用が進むことで、顧客対応の自動化や質の向上が加速するだろう。特に、音声合成モデルと連携させたリアルタイム対話システムの精度向上は、人間とAIのコミュニケーションをより自然なものへと変化させる見込みだ。
一方で、音声データの正確な記録が可能になることで、個人情報保護やデータ管理のリスク管理といった運用面での課題も浮き彫りになる懸念がある。また、過度にAIの要約や記録に依存することで、人間同士の対話におけるニュアンスや文脈の誤解が生じる危険性も否定できない。
しかしながら、高精度かつ低価格な音声基盤の普及は、法務・医療・エンターテインメントなど幅広い分野のデジタル化を力強く後押しすると予想される。単なる作業効率化にとどまらず、新たな音声連動サービスの創出を促す起爆剤になると考えられる。
関連記事：
Microsoft、自社開発AI「MAI」7モデルを発表 企業向けAI最適化機能「Frontier Tuning」も公開
