Microsoftが文字起こしAI「MAI-Transcribe-2」をリリース、Gemini 3.5 Transcribeより5倍高速＆GPT-Transcribeより10倍高速

60の言語を自動で検知して文字起こしするという音声認識モデル「MAI-Transcribe-2」をMicrosoftがリリースしました。OpenAIやGoogleの最新モデルより高性能かつ高速なことがアピールされています。

MAI-Transcribe-2 is the fastest, most accurate and cheapest speech recognition model in the world | Microsoft AI
https://microsoft.ai/news/mai-transcribe-2-is-the-fastest-most-accurate-and-cheapest-speech-recognition-model-in-the-world/

MAI-Transcribe-2は「FLEURS」ベンチマークで平均単語誤り率5.2％を記録して1位となり、1週間前に出たばかりの「Gemini 3.5 Transcribe」をはじめとする競合他社のモデルを上回りました。

「Artificial Analysis」の検証では、OpenAIの「GPT-Transcribe」より10倍、ElevenLabsの「Scribe v2」より7倍、Googleの「Gemini 3.5 Transcribe」より5倍高速でありながら、より高い精度を発揮することが示されました。

Microsoftは2026年4月にMAI-Transcribe-1を、6月にMAI-Transcribe-1.5をリリースしていて、今回の「2」は推論速度が大幅に向上してレイテンシーも大幅に低減しているとのことです。話者を区別して録音内の各単語を正しい人物に割り当てたり、すべての単語の正確なタイミングを把握して文字の検索や編集を容易にしたり、専門分野固有の用語や略語、文脈だけでは判別が難しい用語を認識したりする性能にも優れています。

また、「えーと」といった言いよどみ(フィラー)をそのまま残すか削除するかを選択できる設定もあり、目的によって使い分けることができます。自動言語識別機能もあり、ユーザーが事前に指定しなくても言語を正確に検出します。

文字起こしにかかるコストは2026年末までの期間限定で1時間当たり0.1ドル(約15.6円)です。Artificial Analysisは「1000分当たりだと1.67ドル(約260.5円)ですが、これはScrive V2の3.67ドル(約572.4円)やSmallest AI Pulse Proの4ドル(約623.9円)より安価です」と指摘しました。

Microsoftは「当社史上最も高性能な文字起こしモデルであるだけでなく、競合他社製品の中でも最も高性能かつ効率的なモデルです」とその性能をアピールしました。