Microsoft AIは2026年4月2日(米国時間)、自社開発のAIモデル「MAI-Transcribe-1」「MAI-Voice-1」「MAI-Image-2」の3種をMicrosoft FoundryとMAI Playgroundで提供開始したと発表しました。音声認識のMAI-Transcribe-1は業界標準のFLEURSベンチマークで主要25言語において最先端の精度を達成し、音声生成のMAI-Voice-1には数秒の音声からカスタム音声を作成する機能が加わり、画像生成のMAI-Image-2は同等品質のまま2倍以上の生成速度を実現しています。いずれも競争力のある価格で提供されます。

MAI-Transcribe-1(音声認識)

• ▸性能 — 業界標準のFLEURSベンチマークにおいて、利用の多い上位25言語で最先端の音声書き起こし性能を達成
• ▸言語別順位 — 主要25言語のうち11言語で1位。残り14言語すべてでWhisper-large-v3に勝ち、うち11言語でGemini 3.1 Flashを上回る
• ▸平均単語誤り率(WER) — 3.9%で、GPT-Transcribe(4.2%)、Scribe v2(4.3%)、Gemini 3.1 Flash(4.9%)、Whisper-large-v3(7.6%)より低い
• ▸速度 — バッチ書き起こし速度は既存のMicrosoft Azure Fastの2.5倍。雑音の多い実環境でも高品質を発揮する設計

MAI-Voice-1(音声生成)

• ▸特徴 — 話者の同一性を長文コンテンツでも保ちながら、ニュアンスや感情の幅、表現力に富む自然な音声を生成
• ▸カスタム音声 — 数秒の音声からMicrosoft Foundry上で安全にカスタム音声を作成できる機能を追加
• ▸生成速度 — 60秒の音声をわずか1秒で生成。効率的なGPU利用により品質と速度を手頃な価格で提供
• ▸体験方法 — Copilot Audio ExpressionsやCopilot Podcastsで利用可能

MAI-Image-2(画像生成)

• ▸実績 — Arena.aiリーダーボードにトップ3のモデルファミリーとしてデビューし、Copilotの画像生成の性能と速度を強化
• ▸速度 — 実運用トラフィックのデータに基づき、FoundryとCopilot上で同等品質のまま2倍以上高速に生成
• ▸得意分野 — 自然な照明、正確な肌の色や質感、図表・レイアウト向けの明瞭な画像内テキストなど、写真家やデザイナーの要求に対応
• ▸展開 — BingとPowerPointでも段階的に展開中
• ▸導入事例 — 世界最大級のマーケティンググループWPPが、大規模に活用する最初のエンタープライズパートナーの1つに

価格と提供方針

• ▸MAI-Transcribe-1 — 1時間あたり0.36ドルから
• ▸MAI-Voice-1 — 100万文字あたり22ドルから
• ▸MAI-Image-2 — テキスト入力100万トークンあたり5ドル、画像出力100万トークンあたり33ドルから

Microsoft AIは人間を中心に据えた「Humanist AI」の方針を掲げており、これらのモデルを自社のコンシューマー製品・商用製品に展開するとともに、Microsoft Foundryの顧客にも競争力のある価格で提供します。各モデルは開発・テスト・レッドチーム演習を厳格に実施済みで、Foundryを通じてガードレール、ガバナンス、エンタープライズ向けの管理機能が提供されます。今後もFoundryやMicrosoft製品向けにモデルを追加していく予定です。