Microsoft、文字起こしAIの新モデル公開

Microsoftは2026年9月3日、新しい音声認識モデル「MAI-Transcribe-2」を発表した。

会議や講演の音声をテキストに変換する処理は、声の重なりや専門用語で精度が落ちやすい。

新モデルには、話者ごとに発言を分ける話者分離、書き起こしの体裁を選べる設定可能な文字起こしスタイル、単語ごとに発話時刻を記録する単語単位のタイムスタンプという機能が加わった。

Microsoftは、60言語を対象とした多言語音声認識の評価基準「FLEURS」で、平均単語誤り率(WER、書き起こしが元の発話とどれだけ食い違うかを示す指標)5.2%を記録し首位にランクしたと説明している。

Gemini 3.5 Transcribe、GPT-Transcribe、Whisper V3-Large、ScribeV2といった主要モデルを性能で上回るともしている。

価格は音声1時間あたり0.10ドルで、市場で最も安いとしている(出典)。

この種のモデル更新が読者に響くのは、精度や価格の数字そのものより、録音を渡してから要約が返ってくるまでの待ち時間に跳ね返るからだ。

文字起こしはボイスメモアプリや議事録作成ツールの裏側で動く処理で、モデルが速く安くなれば、アプリ側は同じ料金でより多くの録音を処理できるか、待ち時間を縮められる。

iPhoneの文字起こし機能のように端末単体で完結する仕組みもあれば、録音した音声を後からAIが文字起こし・要約するAIボイスメモのメモリスのように、クラウド側のモデル性能に体験が左右されるアプリもある。

ここで留意したいのは、Microsoftが示した数字がどれも自社発表のベンチマーク結果だという点だ。

FLEURSでは首位という評価も、AIモデルの性能を第三者として比較・公開しているArtificial Analysisの単語誤り率リーダーボードでは2位で、同じモデルでも参照するベンチマークが変われば順位が変わる。

MicrosoftはArtificial Analysis上で、精度とレイテンシ(応答が返ってくるまでの遅延時間)を両立できる組み合わせの最前線を定義しているとも説明しているが、この評価がどのベンチマークで、どんな条件での話かを確かめずに、最速や最高精度という見出しだけを受け取ると、実際の用途での体感とずれる可能性がある。

文字起こしモデルを選ぶ側は、公表された順位よりも、自分たちが扱う言語や話者数、録音環境に近い条件での評価を探す姿勢が要る。

もう一つ考えたいのは、性能と価格が僅差で並ぶ市場になったときに、文字起こしを使う側のアプリは何で差をつけるのかという点だ。

モデル単体の精度や価格がコモディティ化(横並びで差がつきにくくなること)に近づけば、利用者が実際に選ぶ基準は、書き起こし後にどう要約・整理されるか、録音データをどう扱い、いつ消すかといった運用面に移っていく。

文字起こしエンジンの入れ替えは今後も起き続けるとみてよく、エンジンそのものより、録音から使える形の記録に変えるまでの一連の流れを誰がどう設計しているかが、サービス選びの実質的な分かれ目になる。