Microsoft AIは2026年7月23日、画像生成モデル「MAI-Image-2.5-Pro」と音声モデル「MAI-Voice-2-Flash」のパブリックプレビューを発表しました。同社は1年前から、サードパーティモデルからの蒸留に頼らず、クリーンで追跡可能なエンタープライズ級のデータで目的特化モデルを内製する取り組みを進めており、その成果としてMAIモデルがBing・PowerPoint・OneDrive・Dynamics 365・Azureなど拡大中の製品群の本番環境で、数百万ユーザーの体験を効率的に支えるまでになったと説明しています。

新しい2つのモデルバリアント

• ▸MAI-Image-2.5-Pro — 品質を最優先する用途(ヒーロー画像、精密な編集、画像内の正確なテキスト描画)向けの、同社史上最高忠実度の画像モデル。価格はテキスト入力$5/1Mトークン、画像入力$8/1Mトークン、画像出力$106/1Mトークン
• ▸MAI-Voice-2-Flash — Buildで初公開された、速度とスケールのためのモデル。MAI-Voice-2の自然な韻律と高い音響品質を保ちながら2倍高速・32%安価($15/100万文字)で、応答性が最重要の大量音声用途向け

実用途は一様ではなく、最高の忠実度を求めるクリエイティブスタジオと毎日数百万件の通話を扱うカスタマーサービスセンターではニーズが異なるため、あらゆる製品が品質・速度・コストの最適な点を選べるモデルファミリーを構築しているとしています。両モデルは既存の本番モデル群と並んで提供されます。

Microsoft製品への統合状況

• ▸Bing Image Creator — MAI-Image-2.5の新しい精密画像編集機能により、エンドツーエンドの既定モデルとなり100%内製化
• ▸PowerPoint — image-to-image機能でMAI-Image-2.5が本番稼働。GPT-Image-2と比較してGPUコストを最大84%削減
• ▸OneDrive — 主要な画像編集シナリオの既定モデルに。展開以降、保存率が26%向上、P95レイテンシを約25%削減、中負荷の本番ワークロードで2.5倍の効率
• ▸Dynamics 365 Contact Center — T-MobileやEasyJetなどが利用するコールセンターエージェント構築基盤にMAI-Voice-2-Flashを搭載し、GPUコストを最大89%削減
• ▸Azure Voice Live — MAI-Voice-2-Flashの自然で表現力ある音声と低レイテンシにより、speech-to-speech対応の音声エージェントを構築可能に

同社はリーダーボードもベンチマークとして有用としつつ、証明は実際の製品ユースケースでユーザーに応えることにあるとし、本番環境へ投入する前にすべてのモデルを厳格に評価していると強調しています。MAIモデルは品質・レイテンシ・効率でMicrosoftのより多くの製品面において競合モデルを上回っているとしています。

専門家との協働: 医療分野への展開

医療やソフトウェアエンジニアリングのような重要分野には、汎用モデル以上の深い専門知識・密なフィードバックループ・複雑な実課題を解く能力が求められるとして、ドメイン専門家との直接協働も進めています。17万人の医療従事者が利用し、前四半期に2,800万件の患者診療を処理したDragon Copilotでは、MAI-Transcribe-1.5が従来モデルを置き換えて58言語の多言語ワークフローを支えています。多言語録音の社内評価では、大半の言語で文字起こしと言語識別の誤り率を相対50%削減し、診療記録の下流精度にも有望な改善の初期結果が出ているとしています。

WPPのGlobal Chief Creative OfficerであるRob Reilly氏は「MAI-Image-2.5-ProはGenMediaツールの大きな前進。印象的な画質に加え、この精度でテキストを描画できる能力は真のブレークスルーだ。自然言語による編集も理解するため、クリエイティブの反復はより速く、はるかに直感的になる。Microsoftは生成AIのリーダーの一角に確固たる地位を築いた」とコメントしています。