Microsoft、3つの新モデルで音声AIスタックを拡張
TREE NEWS 報道： Microsoftは10月1日、3つの新しい音声モデルを発表し、コールセンターエージェント、ライブキャプション、多言語アシスタントを支えるリアルタイム音声AIレイヤーへの進出をさらに深めた。目玉はMAI-Transcribe-2-Streamingで、AIベンチマークプラットフォームArtificial Analysisのストリーミング認識テストで最高精度を獲得し、これまで首位だったGrok Voice Transcribe 2.0を僅差で抜いた。
ベンチマークデータによると、MAI-Transcribe-2-Streamingはテストされた38モデルの中で最終的な単語誤り率（WER）2.5%を記録し、発話終了から最終テキストまでの遅延は約0.13秒だった。より遅延に敏感な「最初の部分文字起こし」テストでも、WER 2.5%、約0.12秒を記録した。Grok Voice Transcribe 2.0はWER 2.7%、遅延0.49秒、Muse Voice Transcribeは3.1%、0.16秒、ElevenLabs Scribe v2 Realtimeは3.6%、0.14秒だった。
ストリーミングが重要な理由
従来の「文字起こししてから出力」というパイプラインとは異なり、ストリーミングモデルは音声を受け取ってから約100ミリ秒以内に部分的な結果を出力し、さらに音声が届くにつれてテキストを継続的に修正する。Microsoftによれば、これにより音声エージェントはユーザーが文を終える前に推論を開始し、ツール呼び出しを準備できるという。カスタマーサービス、ライブディクテーション、リアルタイム翻訳ワークフローにとって大きな変化だ。Microsoftは社内テストで、テキストが最も近い競合の約2倍の速さで表示されると主張している。
ただし、速度が絶対的なリードではない。Cartesia Ink Previewは最終文字起こしの遅延が約0.11秒とやや速かったが、WER 3.1%で精度ではMicrosoftに劣る。
価格設定はプレミアムポジショニングを示唆
Microsoftは開発者向け展開期間中、MAI-Transcribe-2-Streamingをプロモーション価格の1時間0.54ドル、つまり1,000分あたり9ドルで提供している。これは主流のストリーミング音声価格の中では高めで、Gemini 3.5 Transcribe Liveとほぼ同水準、ElevenLabs Scribe v2 RealtimeやDeepgram Fluxの約6.50ドルより高く、Cartesia Ink-2の約4ドルやMuse Voice Transcribeの約3ドルを大きく上回る。結論として、Microsoftは価格で競合を下回るのではなく、精度、遅延、エンタープライズグレードの展開で競争している。
パイプのもう一端
Microsoftはテキスト読み上げ用にMAI-Voice-2.1と、より低遅延のMAI-Voice-2.1-Flashも発表した。MAI-Voice-2.1は23言語、26ロケールをサポートし、言語間で一貫した声とより自然な現地アクセントを実現する。これにより、単一のアシスタントが言語ごとに声を再設定することなく、英語、中国語、ドイツ語を切り替えられる。価格は100万文字あたり22ドル、Flashは100万文字あたり15ドルで、Microsoftは同等モデルより推論が55%高速でコストが約60%低いと主張している。どちらも数秒の参照音声からの音声クローニングをサポートし、同意の安全策が付いている。
市場への影響
- Microsoft (MSFT): 今回のリリースは、モデル、クラウドインフラ、Copilot、Teams、GitHub、Dynamics 365を通じた流通を自社で握る垂直統合のストーリーを強化する。音声AIは高マージンで粘着性の高いエンタープライズ層であり、競合するハイパースケーラーのAIスタックに対するAzureのポジショニングを強める。
- 音声AI専業ベンダー: ElevenLabs、Deepgram、Cartesiaなどのベンダーは信頼性の試練に直面する。Microsoftがプレミアム価格でベンチマーク首位の精度を実現したことは、企業がベスト・オブ・ブリードのポイントソリューションではなく、ハイパースケーラープラットフォームに音声支出を集約する可能性を示唆する。
- コンタクトセンターおよびBPOソフトウェア: より高速なストリーミング文字起こしはAIエージェントの遅延予算を圧縮し、カスタマーサービスの人員自動化を加速させる可能性があり、サードパーティ製音声エンジンに依存するレガシーCCaaSベンダーに圧力をかける。
- より広範なAIインフラ: リアルタイム音声ワークロードは推論負荷が高く遅延に敏感で、エッジ隣接および地域分散型コンピュートに有利だ。訓練だけでなく推論容量への設備投資が引き続き重視されると予想される。
投資家向けの主なポイント
- Microsoftは文字起こしから合成まで音声AIスタックをエンドツーエンドで統合しており、現在は価格ではなく性能で競争している。
- ストリーミング文字起こしでのベンチマーク首位は、単独製品というよりも流通の武器であり、価値はCopilot、Teams、Azureの消費を通じて蓄積される。
- 音声AI専業ベンダーが値下げや差別化されたエンタープライズ機能で応じるか注目せよ。マージン圧縮がそのグループの主要リスクだ。
- リアルタイム音声エージェントはAI推論需要の先行指標であり、ハイパースケーラーにとってより持続可能なマネタイズ層であり続ける。
