MAI-Transcribe-2-Streamingとは？
MAI-Transcribe-2-Streamingは、Microsoft AI初のストリーミング型音声認識モデルで、2026年10月1日に音声合成モデルMAI-Voice-2.1と同時に公開されました。音声を連続したストリームとして送ると、話している間に更新される途中の文字起こしが返り、区切りごとに確定結果が届きます。Microsoftによれば、最初の途中結果は音声から100ミリ秒強で届きます。
60言語に対応し、言語を自動かつ継続的に判定するので、話者が会話の途中で言語を切り替えても対応できます。Microsoftは、Artificial Analysisのストリーミングのベンチマークで、確定結果と途中結果の両方の精度で1位に登場したとし、自社のテストでは最も近い競合の2倍の速さで単語が表示されるとしています。
Azure Speechのパブリックプレビューとして、Sweden Central、Central US、East US 2、Southeast Asiaから提供され、OpenAI Realtime互換のWebSocket APIかAzure Speech SDKで使えます。導入価格は2026年末まで音声1時間あたり0.54ドルです。
MAI-Transcribe-2-Streamingは使う価値があるか？
MAI-Transcribe-2-Streamingは、字幕、音声エージェント、コールセンタ ー支援を支えるリアルタイム文字起こしへの本格的な参入です。Microsoftによれば、Artificial Analysisのストリーミングのランキングで途中結果と確定結果の精度がともに1位で、精度と遅延のフロンティア上に位置します。
二つ目の主張は速さです。途中結果は100ミリ秒強で届き、口述と字幕を使ったMicrosoft自身のテストでは、名前を伏せた最も近い競合の2倍の速さで単語が画面に出ます。Microsoftは発表で単語誤り率を公表していないため、乗り換える前に自分の音声で試すべきです。
価格は中間に位置します。音声1時間あたり0.54ドル、1分あたり約0.009ドルで、1分0.017ドルのOpenAIのgpt-live-transcribeより安い一方、1時間0.39ドルのElevenLabs Scribe v2 Realtimeや、キャンペーン価格で1分0.0048ドルのDeepgram Nova-3のストリーミングより高くなります。0.54ドルは導入価格で2026年で終わり、その後についてMicrosoftは何も言っていません。
WebSocketのインターフェースが互換なので、すでにOpenAIのRealtime APIを使うチームには導入が簡単で、Speech SDKは再接続と再試行を処理します。継続的な言語判定付きの60言語対応は、通話の途中で発信者が言語を切り替える多言語のコールセンターに向いています。
制約はプレビューならではのものです。Microsoftはサービスレベル契約がないとし、本番での利用を推奨していません。提供は4つのリージョンのみで、発表は話者の識別に触れていません。発表もドキュメントも音声の保持方法を説明しておらず、Azureのプレビューの条件では、プレビュー機能が異なるプライバシー慣行に従うことを認めています。
真価を発揮する場面
欧州の銀行向けにコールセンターのソフトを提供する会社
オペレーター支援のため、複数言語の通話をリアルタイムで文字起こしする
Sweden CentralからRealtime APIで通話音声を送ります。継続的な言語判定が言語を切り替える発信者に対応し、月10,000時間の通話は導入価格で約5,400ドルです。
大学のメディアチーム
オンライン配信の講義にリアルタイム字幕を付ける
Azure Speech SDKで講義の音声を送り、発話から約100ミリ秒で届く途中の字幕を表示し、区切りごとに確定したテキストに置き換えます。
OpenAIのRealtime APIで音声アシスタントを作った開発者
クライアントを書き直さずに、より正確な文字起こしに切り替える
既存のWebSocketクライアントの接続先をAzureに変え、モデル名をMAI-Transcribe-2-Streamingにします。プレビューなので、トラフィックを移す前に録音したユーザー音声で精度を比べます。
導入前に確認すること
- 導入
- Azure SpeechかFoundryのリソースを作成し、Realtime互換のWebSocket APIか、バージョン1.52.0以降のAzure Speech SDKで接続します。
- 連携
- Azure Speech SDK、OpenAI Realtime互換のWebSocket API、Azure Voice Live、Microsoft Foundry、MAI Playground、Vercel。LiveKitは近日対応と発表されています。
- データとプライバシー
- 発表にもモデルのドキュメントにも記載がありません。Azureのプレビュー向け補足条件では、プレビュー機能は一般提供のサービスとは異なるプライバシー慣行に従う場合があるとされています。
- 大規模利用時のコスト
- 導入価格の音声1時間あたり0.54ドルなら、月1,000時間で540ドルです。2026年以降の価格は公表されていません。
- 制限
- SLAのないパブリックプレビュー。提供はSweden Central、Central US、East US 2、Southeast Asiaから。60言語。
良い点
- Microsoftによれば、Artificial Analysisのストリーミングのベンチマークで精度1位
- 途中結果は100ミリ秒強で届く
- 継続的な自動言語判定付きで60言語に対応
- OpenAI Realtime互換のAPIとAzure Speech SDK
気になる点
- SLAのないパブリックプレビューで、本番利用は非推奨
- 1時間0.54ドルは導入価格で2026年で終了
- 単語誤り率の公表がなく、話者の識別にも言及がない
- 提供は4つのAzureリージョンから
おすすめの人
Azureでリアルタイム字幕、音声エージェント、コールセンター向けツールを作り、多言語で最高水準のストリーミング精度を求めるチーム。
MAI-Transcribe-2-Streamingの代替
MAI-Transcribe-2-Streaming：よくある質問
- MAI-Transcribe-2-Streamingは使う価値があるか？
- MAI-Transcribe-2-Streamingは購入できる中で最も正確なリアルタイム文字起こしモデルのようですが、中程度の価格は12月までしか続きません。 評価は5点満点中4.1点です。
- MAI-Transcribe-2-Streamingの料金は？
- 2026年末までの導入価格は音声1時間あたり0.54ドル（1分あたり約0.009ドル）です。その後の価格はMicrosoftが公表していません。
- MAI-Transcribe-2-Streamingの欠点は？
- SLAのないパブリックプレビューで、本番利用は非推奨; 1時間0.54ドルは導入価格で2026年で終了; 単語誤り率の公表がなく、話者の識別にも言及がない; 提供は4つのAzureリージョンから.
- MAI-Transcribe-2-Streamingは誰に向いているか？
- Azureでリアルタイム字幕、音声エージェント、コールセンター向けツールを作り、多 言語で最高水準のストリーミング精度を求めるチーム。
- チームや本番環境でMAI-Transcribe-2-Streamingを使うと費用はいくらか？
- 導入価格の音声1時間あたり0.54ドルなら、月1,000時間で540ドルです。2026年以降の価格は公表されていません。
- MAI-Transcribe-2-Streamingは企業データを扱っても安全か？
- 発表にもモデルのドキュメントにも記載がありません。Azureのプレビュー向け補足条件では、プレビュー機能は一般提供のサービスとは異なるプライバシー慣行に従う場合があるとされています。
- MAI-Transcribe-2-Streamingの代わりになるものは？
- 当サイトでレビューした中で最も近い代替はDeepgram Nova-3, ElevenLabs Scribe v2, GPT Transcribe 、 Gemini 3.5 Transcribeです。
回答確認日：2026年11月6日
MAI-Transcribe-2-Streamingの開発元の方へ：この評価をサイトに掲載できます
