MAI-Transcribe-2、音声1時間を10セントで文字に──Microsoftが72%下げた値札は12月31日まで【2026年9月】

音声1時間が10セントになった、その中身

MAI-Transcribe-2は、録音した音声を文字にするモデルである。Microsoftの社内チームが自前で開発したもので、対応言語は60。日本語も対応言語表に入っている。話している人ごとに区切る話者分離、単語1つずつの時刻付け、会話の途中で言語が切り替わる場面への対応、専門用語をあらかじめ渡して認識を寄せるキーワード指定を備える。文字起こしの体裁も、言いよどみをそのまま残す「verbatim」と、それを取り除いて読みやすくする「clean」から選べる。

使えるのはMicrosoft Foundry、MAI Playground、そしてモデル中継サービスのOpenRouterから。提供形態はパブリックプレビューで、Microsoft自身が「サービス品質保証（SLA）は付かず、本番環境での利用は推奨しない」と明記している。扱える音声ファイルはWAV・MP3・FLACで、300MB未満という制限がある。

価格の動きは単純だ。

期限については、公式ニュースの書き方がそのまま条件になっている。

文字起こしAIの料金を、音声1時間あたりで並べる

各社は単位をそろえてくれない。1分あたりで書く社、1時間あたりで書く社、トークンあたりで書く社が混在している。そこで公表価格を「音声1時間あたり」に直して並べ直した。

この表には注記が要る。同じ「1時間いくら」に直せても、課金の仕組みが社ごとに違うからだ。MicrosoftとElevenLabsは音声の長さで数える。OpenAIは音声1分あたりの単価で、GPT-Transcribeが0.0045ドル、低価格版のgpt-4o-mini-transcribeが0.003ドル。ここまでは、録音の中身が何であれ請求額は再生時間で決まる。

Googleだけは形が違う。Gemini 3.5 Transcribeは入力の音声が100万トークンあたり2.00ドル、出力のテキストが100万トークンあたり12.00ドルというトークン課金である。公式ドキュメントは音声1秒あたり25トークン、テキスト1分あたり175トークンという前提を置いて「1分あたりおよそ0.005ドル」と見積もっており、上の約0.30ドルはこの概算にもとづく。つまりGoogleの数字だけは、早口の会議や複数人が同時に話す録音では上下しうる。

もうひとつ、単価表からいちばん抜け落ちやすい階層がある。リアルタイムの文字起こしは別料金だ。ElevenLabsのScribe v2は録音済みなら0.22ドルだが、その場で流しながらだと0.39ドルになる。OpenAIのgpt-live-transcribeは音声1分あたり0.017ドルで、1時間に直すと1.02ドル。録音済みの単価だけを見て乗り換えを決めると、会議に同席させる使い方では計算が合わなくなる。MAI-Transcribe-2はVoice Live APIの入力側の文字起こしにも指定できるが、その場合の単価は公表資料からは読み取れなかった。

「世界一速く、正確で、安い」はどこまで本当か

Microsoftはこのモデルを「世界でもっとも速く、もっとも正確で、もっとも安い音声認識モデル」と紹介している。3つの主張は、根拠の強さがそれぞれ違う。

まず正確さ。公開の多言語ベンチマークFLEURSでは、60言語の平均単語誤り率が5.2%で、Microsoftはこれを首位だとしている。一方、第三者の計測サイトArtificial Analysisの単語誤り率ランキングでは2.0%で2位だ。上にいるのは1.7%のFun-Realtime-ASR-previewで、こちらはプレビュー段階のモデルである。Microsoft自身も公式ニュースで2位であることを書いており、「精度と速度を合わせれば首位」という言い方をしている。5.2%と2.0%は別のベンチマークの数字で、直接は比べられない。前者は60言語の平均、後者はArtificial Analysisの計測条件による。

次に速さ。Microsoftは、長い録音の処理でOpenAIのGPT-Transcribeの最大10倍、ElevenLabsのScribe v2の7倍、GoogleのGemini 3.5 Transcribeの5倍だと説明している。モデル紹介ページには、音声1時間ぶんの処理が推論時間およそ10秒で終わるという書き方も出てくる。ただし、この比較はArtificial Analysisの計測にもとづくとされるものの、録音の長さや同時実行の条件までは公表されていない。提供元が示した数字として読むのが妥当だろう（※観測）。

最後に安さ。これは表のとおりで、公表価格では最安である。ただし期限付きの最安値であり、しかも提供形態はプレビューだ。SLAが付かず本番利用が推奨されていない状態と、年末で切れる価格が重なっている。「いま試す」条件としては良く、「来年の見積もりに入れる」条件としてはまだ揃っていないという読み方になる。

12月31日で切れる値札が、1週間に3つ並んだ

期限付きの導入価格は、いまや1社の作法ではない。9月最初の3日間に、大手3社が立て続けに同じ形の値札を出している。

3社を並べると、開示の粒度がはっきり分かれる。Googleは値上げ後の数字まで先に書いた。Microsoftは期限だけを書いて、その先を書いていない。使う側から見れば、前者は年間の見積もりが立ち、後者は立たない。同じ「導入価格」という言葉でも、引き受けるリスクの量が違う。

この構図自体は、7月にOpenAIがGPT-5.6 Lunaを80%値下げしたときから続いている流れの延長にある。あのときは大量処理向けの下位モデルだけが崩れ、最上位は据え置かれた。今回は、モデル本体ではなくその周辺にある機能──キャッシュ、文字起こし──で同じことが起きている。値下げの現場が、本体からその隣へ移っている。

あなたの請求書はどこが変わるか

ここまでの金額は、すべて開発者向けAPIの価格である。日常的にAIを使っている人にとって、どこが動いてどこが動かないのかを分けておきたい。

編集部の見立て