Microsoft AIは2026年9月3日、音声認識モデル「MAI-Transcribe-2」を公開しました。価格は音声1時間あたり$0.10で、OpenAIのgpt-transcribe（$0.27/時間相当）と比べて約63%低い水準です。ただし、この価格は2026年末までの期間限定であり、通常価格は公表されていません。さらにMicrosoft Learnのドキュメントは、本モデルがパブリックプレビューで「本番ワークロードには推奨されない」と明記しています。削減額を規模別に試算すると、単価差が意味を持つ業務は限られます。
MAI-Transcribe-2で公開された事実
Microsoft AIの公式発表とMicrosoft Learnのドキュメントに記載されている仕様は次のとおりです。
| 項目 | 内容 |
|---|---|
| 公開日 | 2026年9月3日 |
| 価格 | 音声1時間あたり$0.10（2026年末までの期間限定価格） |
| 精度 | FLEURSベンチマークで60言語中1位、平均WER（単語誤り率）5.2% |
| 速度 | OpenAI GPT-Transcribe比10倍、ElevenLabs Scribe v2比7倍、Gemini 3.5 Transcribe比5倍 |
| 対応言語 | 60言語（日本語を含む） |
| 入力制限 | 300MB未満、WAV・MP3・FLAC |
| 提供状態 | パブリックプレビュー |
利用できる機能は、話者分離（誰が話したかを区別する）、単語レベルのタイムスタンプ、キーワードバイアシング（社名や製品名など固有語の認識を助ける指定）、書き起こしスタイルの切り替え（`verbatim`＝フィラーを含む逐語／`clean`＝フィラーを除いた読みやすい形）、自動言語識別、会話中の言語切り替えへの対応です。提供経路はMicrosoft Foundry（Azure Speechの Fast Transcription API）、MAI Playground、OpenRouterです。
なお、前世代のMAI-Transcribe-1は2026年8月20日に非推奨（deprecated）となっています。現行はMAI-Transcribe-2とMAI-Transcribe-1.5の2つです。
日本語で使えるのか、本番で使えるのか
日本語には対応しています。ただし2026年9月4日時点ではパブリックプレビューで、SLA（サービス品質保証）が付かず、本番ワークロードには推奨されていません。
多くの報道は「60言語対応」としか書いていませんが、Microsoft Learnの言語サポート表には言語コード `ja`（Japanese）がMAI-Transcribe-2の対応言語として明記されています。日本語音声を扱えること自体は確認できます。
一方で、同じドキュメントの冒頭には次の注記があります。「This feature is currently in public preview. This preview is provided without a service-level agreement, and is not recommended for production workloads.」（本機能は現在パブリックプレビューであり、SLAなしで提供され、本番ワークロードには推奨されない）。可用性の保証がなく、機能が変更・制限される可能性がある状態です。
もう1点、公表されているWER 5.2%は60言語の平均値です。日本語単独の精度は公表されていません。日本語の会議音声、とくに固有名詞や社内用語が多い録音での精度は、自社の音声で試して確かめる以外に知る方法がありません。キーワードバイアシング（`phraseList`）で社名・製品名を事前に指定できるため、試験時にはこの機能の効果も併せて測るのが実務的です。
文字起こしコストは実際いくら変わるのか
単価だけを見れば大幅に安価です。主要モデルの1時間あたり単価は次のとおりです（OpenAI側は分単位の公表価格を1時間に換算）。
| モデル | 公表単価 | 音声1時間あたり |
|---|---|---|
| MAI-Transcribe-2（期間限定価格） | $0.10 / 時間 | $0.10 |
| MAI-Transcribe-1（前世代のローンチ価格） | $0.36 / 時間 | $0.36 |
| OpenAI gpt-4o-mini-transcribe | $0.003 / 分 | $0.18 |
| OpenAI gpt-transcribe | $0.0045 / 分 | $0.27 |
| OpenAI gpt-4o-transcribe | $0.006 / 分 | $0.36 |
| OpenAI Whisper | $0.006 / 分 | $0.36 |
問題は、この差が月額でいくらになるかです。2つの規模で試算します（公表単価にもとづく単純計算であり、実際の請求は利用状況で変わります）。
規模A：社内会議の議事録（週10時間＝月40時間の録音）
| モデル | 月額 |
|---|---|
| MAI-Transcribe-2 | $4.00 |
| OpenAI gpt-transcribe | $10.80 |
| OpenAI Whisper | $14.40 |
規模B：コールセンターの通話記録（月12,000時間）
| モデル | 月額 |
|---|---|
| MAI-Transcribe-2 | $1,200 |
| OpenAI gpt-transcribe | $3,240 |
| OpenAI Whisper | $4,320 |
規模Aでの削減額は月$6.80です。日本円にして月1,000円程度で、移行の検討・検証にかかる工数を回収できません。規模Bでは月$2,040の差になり、判断に値します。
単価差は1時間あたり$0.17（gpt-transcribe比）です。月$1,000の削減を出すには、月およそ5,900時間の音声が必要になります。自社の月間音声時間がこの水準に届かないなら、文字起こしの単価はコスト削減の論点になりません。
「1時間$0.10」で判断してはいけない3つの理由
安さは事実ですが、その数字だけで導入を決めると3つの点で足をすくわれます。
理由1：2026年末までの期間限定価格である
Microsoft AIの発表は、$0.10を「limited-time offer until the end of the year」と明記しています。2027年以降の通常価格は公表されていません。前世代のMAI-Transcribe-1のローンチ価格が1時間$0.36だったことを踏まえると、通常価格が$0.10より高くなる可能性は考慮しておく必要があります。期間限定価格で年間予算を組むと、期間終了後に不足します。同じ構図はGPT-5.6 Solの3か月限定値下げでも起きており、期間限定価格を基準に据えないという原則は共通です。
理由2：パブリックプレビューで本番利用が推奨されていない
Microsoft LearnがSLAなし・本番非推奨と明記している以上、業務システムに組み込んで顧客対応の記録を残す用途には現時点では適しません。プレビューは「評価するための状態」であり、「安く本番運用できる状態」ではありません。
理由3：文字起こしはコストの一部でしかない
議事録作成の全体コストは、文字起こしだけでは決まりません。1時間の会議は日本語でおよそ15,000〜20,000字になり、これを生成AIで要約する工程が続きます。要約に使うモデルの単価は文字起こしの単価より高く、さらに人が内容を確認する工数が乗ります。文字起こし単価を63%下げても、全体コストに占める割合が小さければ効果は限定的です。AIのコスト削減が「単価」ではなく「処理の切り分け」で決まる構図は、MAI-Cyber-1-Flashの事例でも同じでした。
経営・DX担当者への示唆
MAI-Transcribe-2の公開を受けて確認すべきことは3つです。
第一に、自社の月間音声時間を把握する
判断の起点は単価ではなく量です。会議録音・通話録音・営業訪問の録音を合計して月何時間になるかを出します。月数百時間までであれば、文字起こし単価の差はコスト削減施策として優先度が低く、既存ツールを使い続ける判断が合理的です。月数千時間を超えるなら、単価差が年間で数万ドル規模になり、移行の検証に工数を割く価値が出ます。
第二に、プレビューは「検証用」として使う
パブリックプレビューの位置づけを踏まえ、まず自社の日本語音声で精度を測る用途に限定します。測るべきは全体のWERではなく、社名・製品名・専門用語といった業務で意味を持つ語の正確さです。キーワードバイアシングを使った場合と使わない場合を比較すると、実運用での使い勝手が見えます。一般提供（GA）に移行した時点で本番利用を検討する、という順序が安全です。
第三に、議事録は工程全体で設計する
文字起こしの単価を下げるより、後工程の設計のほうが効きます。話者分離を有効にして誰の発言かを残す、`clean` スタイルでフィラーを除いた読める文字起こしを得る、単語タイムスタンプで該当箇所へ飛べるようにする――こうした機能を使えば、要約に投入するテキスト量と人の確認工数を減らせます。生成AIによる議事録作成の設計思想は、GPT Transcribeを扱った記事でも整理しています。
具体的な活用シーン
MAI-Transcribe-2の機能構成から、検証に向く業務は次のとおりです。いずれも2026年9月4日時点ではプレビューでの評価を前提とします。
| 業務・業種 | 使いどころ | 設計のポイント |
|---|---|---|
| コールセンター（金融・通信・小売） | 全通話の文字起こしと応対品質の確認 | 音声量が月数千時間規模なら単価差が効く。話者分離を有効にし、顧客とオペレーターの発言を分離する |
| 経営会議・取締役会 | 議事録の下書き作成 | `clean` スタイルでフィラーを除去し、要約に渡すテキスト量を削減する。ただしプレビュー段階では機密性の高い音声の扱いに注意 |
| 医療・介護（記録業務） | 診療・ケア記録の音声入力 | キーワードバイアシングに専門用語を登録し、固有名詞の誤変換を抑える。本番利用は一般提供後に判断する |
よくある質問
- MAI-Transcribe-2は日本語に対応していますか。
-
対応しています。Microsoft Learnの言語サポート表に言語コード `ja`（Japanese）がMAI-Transcribe-2の対応言語として掲載されています。ただし日本語単独の精度（WER）は公表されていません。
- MAI-Transcribe-2の価格はいくらですか。
-
音声1時間あたり$0.10です。ただしMicrosoft AIの発表によれば2026年末までの期間限定価格で、それ以降の通常価格は公表されていません。
- すぐに業務システムへ組み込んでよいですか。
-
推奨されません。Microsoft Learnは、MAI-Transcribe-2がパブリックプレビューであり、SLAなしで提供され本番ワークロードには推奨されないと明記しています。まず評価目的での利用が適切です。
- 文字起こしを乗り換えると議事録のコストはどれくらい下がりますか。
-
月40時間の会議録音であれば、gpt-transcribeとの差は月$6.80程度です。文字起こしの後段にある要約と人的確認の工数が全体コストを占めるため、乗り換えだけでは大きく下がりません。
まとめ
Microsoft AIが2026年9月3日に公開したMAI-Transcribe-2は、音声1時間$0.10、60言語対応（日本語を含む）、話者分離・単語タイムスタンプ・キーワードバイアシングを備えたモデルです。FLEURSベンチマークでの平均WERは5.2%と報告されています。
一方で、$0.10は2026年末までの期間限定価格で通常価格は未公表、提供状態はパブリックプレビューでSLAなし・本番非推奨、日本語単独の精度も未公表です。そして削減額は量に比例します。月40時間の会議録音では差が月$6.80、月12,000時間の通話記録では月$2,040。単価の見出しではなく、自社の音声量で判断すべき性質のニュースです。
次に取るべきアクションは3つです。第一に、社内の月間音声時間（会議・通話・訪問録音の合計）を集計すること。第二に、月数千時間を超える場合のみ、自社の日本語音声でプレビュー版の精度を検証すること。第三に、文字起こし単価ではなく「文字起こし＋要約＋人的確認」の全体コストで比較することです。
Auto-IDフロンティアは、議事録や通話記録の自動化について、モデル選定ではなく工程設計から支援しています。「文字起こしは導入したが結局人が全部読んでいる」という状態の相談も多くいただきます。自社の音声業務のどこにコストがかかっているかを整理したい方は、AI導入相談フォームからご相談ください。
出典・参考資料
- Microsoft AI： MAI-Transcribe-2 is the fastest, most accurate and cheapest speech recognition model in the world （） （価格・期間限定・WER・速度の出典）
- Microsoft Learn： MAI-Transcribe in LLM Speech API – Speech Service （） （プレビュー状態・日本語対応・機能・入力制限の出典）
- OpenAI： API pricing（開発者ドキュメント） （比較対象モデルの単価）
- VentureBeat： Microsoft AI’s MAI-Transcribe-2 undercuts OpenAI, Google and ElevenLabs on price and speed （） （MAI-Transcribe-1の価格）
- OpenRouter： MAI-Transcribe 2 – API Pricing & Providers （提供経路の裏取り）
