Phi-4-multimodalとは？
Phi-4-multimodalは、Microsoftが2025年2月26日に発表した56億（5.6 billion）パラメータのモデルです。LoRA（小さな追加の重みセット）の組み合わせによって、言語モデルPhi-4-miniに音声と画像のエンコーダーを 加えています。そのため1つのモデルでテキスト、画像、音声を受け取り、テキストを出力します。コンテキストは128Kトークンです。
テキストは23言語、音声は8言語（英語、中国語、ドイツ語、フランス語、イタリア語、日本語、スペイン語、ポルトガル語）に対応し、画像は英語のみです。学習データは2024年6月までです。Microsoftは、文字起こしでは音声を40秒、要約では30分までに収めるよう勧めています。
重みはHugging FaceでMITライセンスで公開され、公式のONNX版もあります。Azure AI Foundryの料金は、テキストと画像が入力1,000トークンあたり$0.00008、出力1,000トークンあたり$0.00032、音声入力が1,000トークンあたり$0.004で、Azureの小売価格表によれば公開時から変わっていません。2026年1月、Microsoftは東アフリカの6言語の音声認識向けに、研究用途限定のファインチューン版Pazaを公開しました。
Phi-4-multimodalの料金は？
| プラン | 価格 | 内容 |
|---|---|---|
| Weights | Free | MITライセンス |
| Text or image tokens | $0.08 in / $0.32 out per 1M tokens | Azure AI Foundry（US Eastの小売価格） |
| Audio input | $4 per 1M tokens |
重みはMITで無料です。Azure AI Foundry：テキストまたは画像の100万トークンあたり入力$0.08、出力$0.32。音声入力は100万トークンあたり$4です。
Phi-4-multimodalは使う価値があるか？
Phi-4-multimodalは、今も音声を聞き取れるMicrosoft唯一のオープンモデルで、それが現在の主な売りです。公開時、MicrosoftはHugging FaceのOpenASRリーダーボードで単語誤り率6.14%を記録して首位に立ったと述べ、それまでの最高は6.5%でした。Microsoftの画像テストの平均は72.0で、同じ表のGPT-4oの72.4に近い数値です。どちらも自己申告の数値です。Microsoftは、音声での質問への回答ではGemini 2.0 FlashやGPT-4oのリアルタイムモデルに差をつけられていることも認めました。小型モデルは事実知識をあまり保持できないためです。
Microsoftのその後のPhiの取り組みは別の方向に進みました。2026年1月のPhi-4-reasoning-vision-15Bは画像を読めますが、音声は扱えません。音声関連の後継はPazaだけで、これはスワヒリ語、カレンジン語、キクユ語、ルオ語、マサイ語、ソマリ語向けに音声部分だけを学習させたファインチューン版です。Microsoftは研究用リリースと位置づけ、さらなる検証なしの商用利用は推奨していません。
競合は先へ進んでいます。2026年4月にApache 2.0で公開されたGoogleのGemma 4 E2BとE4Bも、スマートフォンに向いたサイズで音声と画像を受け取れます。Phi-4-multimodalの画像対応は英語のみで、Microsoftのレッドチーミングでは、文脈の操作や説得に対して望ましい水 準より影響を受けやすいことがわかりました。説得が最も効いたのはフランス語とイタリア語でした。
リーダーボードの数値より、運用面の細部に注意を払うべきです。文字起こしの品質が約束されているのは40秒までのクリップだけで、flash attentionにはAmpere世代以降のGPUが必要で、vLLMでは音声と画像のLoRAフォルダを別々に渡す必要があります。留守番電話より長いものはモデルに渡す前に分割しなければならず、どんな単語誤り率も、その仕組みを検証してからでなければあまり意味を持ちません。
真価を発揮する場面
オフラインの現場点検アプリを作るモバイル開発者
短い音声メモと写真を、デバイス上で1つの構造化レポートにまとめる
1組の重みで両方の入力を読め、オンデバイスのランタイム向けにONNX版もあります。クリップは40秒未満に抑えるべきで、Microsoftは標準的なアメリカ英語以外のアクセントでは精度が落ちると警告しています。
ヨーロッパの保険会社のコンタクトセンター分析責任者
クラウドのAPIに音声を送らず、ドイツ語、フランス語、スペイン語の録音通話を要約する
Microsoftが推奨するA100またはH100でセルフホストすれば、要約用に最長30分の音声を受け付けます。MITライセンスに売上上限はありませんが、説得に関する検証結果を踏まえると、出力は顧客に届く前に確認すべきです。
利用者の少ない言語に取り組む音声研究者
モデルを一から学習させずに、新しい言語に音声認識を適応させる
Microsoft自身のPazaのファインチューンでは、音声エンコーダーと射影層だけを学習対象にし、言語モデルはそのまま残しました。モデルカードにある音声ファインチューンの例は、A100 80GB 1枚で実行されています。
導入前に確認すること
- 導入
- Transformersとtrust_remote_codeを使ってHugging Faceから読み込みます。flash attentionにはAmpere世代以降のGPUが必要で、V100ではeager attentionに切り替える必要があります。
- 連携
- TransformersとvLLMのOpenAI互換サーバー（音声と画像のLoRAフォルダを別々に指定）、公式ONNX版、Azure AI Foundry、NVIDIA APIカタログに対応しています。
- データとプライバシー
- 売上上限も別個の利用ポリシーもないMITライセンスです。セルフホストなら音声と画像は自社のハードウェアから出ません。Azureの規約が適用されるのは、Microsoftのホスト型エンドポイントを使う場合だけです。
- 大規模利用時のコスト
- Azure AI Foundryでは、音声入力は100万トークンあたり$4で、テキストと画像の$0.08に比べて高く、請求額の大半は音声が占めます。出力は100万トークンあたり$0.32で、Azureの小売価格表によれば公開時と同じ料金です。セルフホストには最近のデータセンター向けGPUが1枚必要です。
- 制限
- コンテキストは128Kトークンですが、音声は文字起こしで40秒、要約で30分が推奨です。Microsoft自身の説明によると、音声での質問応答は大きなモデルより劣ります。
良い点
- 1つの5.6Bモデルで音声、画像、テキストを入力可能
- 売上上限のないMITライセンス
- 公開時のOpenASR単語誤り率6.14%（自己申告）
- 128Kトークンのコンテキスト。公式ONNX版あり
気になる点
- 公開は2025年2月、学習データは2024年6月まで
- 画像は英語のみ、音声は8言語
- 文字起こしは40秒以下のクリップが推奨
- 通常のテキストモデルより配信の準備に手間がかかる
おすすめの人
デバイス上で音声と画像の入力を扱う、MITライセンスの小型モデルが欲しい開発者。
Phi-4-multimodalの代替
Phi-4-multimodal：よくある質問
- Phi-4-multimodalは使う価値があるか？
- 今も音声を聞き取れる唯一のPhiモデルですが、公開から20か月が経ち、より新しい小型マルチモーダルモデルに追い越されています。 評価は5点満点中3.3点です。
- Phi-4-multimodalの料金は？
- 重みはMITで無料です。Azure AI Foundry：テキストまたは画像の100万トークンあたり入力$0.08、出力$0.32。音声入力は100万トークンあたり$4です。
- Phi-4-multimodalの欠点は？
- 公開は2025年2月、学習データは2024年6月まで; 画像は英語のみ、音声は8言語; 文字起こしは40秒以下のクリップが推奨; 通常のテキストモデルより配信の準備に手間がかかる.
- Phi-4-multimodalは誰に向いているか？
- デバイス上で音声と画像の入力を扱う、MITライセンスの小型モデルが欲しい開発者。
- チームや本番環境でPhi-4-multimodalを使うと費用はいくらか？
- Azure AI Foundryでは、音声入力は100万トークンあたり$4で、テキストと画像の$0.08に比べて高く、請求額の大半は音声が占めます。出力は100万トークンあたり$0.32で、Azureの小売価格表によれば公開時と同じ料金です。セルフホストには最近のデータセンター向けGPUが1枚必要です。
- Phi-4-multimodalは企業データを扱っても安全か？
- 売上上限も別個の利用ポリシーもないMITライセンスです。セルフホストなら音声と画像は自社のハードウェアから出ません。Azureの規約が適用されるのは、Microsoftのホスト型エンドポイントを使う場合だけです。
- Phi-4-multimodal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Gemma 4, Phi-4-Reasoning-Vision-15B 、 Whisper large-v3-turboです。
回答確認日：2026年10月26日