MAI-Transcribe-2は60言語で誤り率5.2％、本番投入にはまだ壁

Microsoftは2026年9月3日、音声認識モデル「MAI-Transcribe-2」をMicrosoft Foundryのパブリックプレビューとして公開した。Microsoft AIの発表 によると、FLEURSで評価した60言語の平均単語誤り率（WER）は5.2％。開始時の料金は音声1時間当たり0.10ドルで、2026年末までの期間限定価格となる。

日本語は対応言語に含まれるが、5.2％は日本語単独の測定値ではない。公開資料から確認できるのは60言語をまとめた平均値までで、日本語別のWERや話者分離精度は示されていない。加えてAzure Speechでの提供はSLAのないプレビューで、本番ワークロードには推奨されておらず、現段階の位置付けは実データを使った検証環境である。

5.2％は日本語の誤り率ではなく60言語の平均

WERは、正解文に対する単語の置換、削除、挿入の数から算出し、低いほど参照文に近いことを示す。ただし、Microsoftが公表した5.2％はFLEURSで対象にした60言語の平均であり、日本語の会議音声を100語処理すると約5語を誤る、という意味ではない。

FLEURSは多数の言語を共通の枠組みで比べるための公開データセットだが、中心となるのは話者が用意された文章を読む音声である。自然な会話に見られる言い直し、重なり発話、遠距離マイク、社名や人名、数字、業界用語が連続する条件とは異なる。平均値だけでは、日本語特有の単語境界や固有名詞、句読点処理の実力も判断できない。

したがって、今回の数値が示すのは広い言語範囲を同じモデルで処理した際の総合的な性能である。日本語での採用可否には、実際に扱う録音と正解文を用意し、文字の正誤に加えて数字、固有名詞、発言者の割り当てを分けて評価する余地が残る。

Artificial Analysisとはデータも尺度も異なる

MicrosoftはFLEURS首位とは別に、Artificial Analysisの非ストリーミング音声認識評価でWERが2位、精度と速度の関係ではパレート最前線にあるとしている。VentureBeatの検証記事 は、FLEURSが読み上げ音声を使う多言語評価である一方、Artificial Analysisは公開APIを通じ、模擬会話、欧州議会演説、企業決算説明会の音声を組み合わせて測ると整理している。

両者のWERを同じ尺度として扱うことはできない。FLEURSの5.2％とArtificial Analysisの値は、データセット、言語構成、音声条件、集計方法が異なる。片方からもう片方への改善率を計算したり、Artificial Analysisの順位を日本語精度の代わりに使ったりするのは不適切だ。

速度についてMicrosoftは、Artificial Analysisの評価を根拠にGPT-Transcribeの10倍、Scribe v2の7倍、Gemini 3.5 Transcribeの5倍と説明する。これは主に非ストリーミング処理の比較であり、ネットワーク遅延や同時実行数を含むシステム全体の応答保証でも、ライブ字幕向けのストリーミング性能を示す数字でもない。

日本語対応に話者分離とタイムスタンプを追加

MAI-Transcribe-2は日本語を含む60言語に対応し、言語を指定しない場合は自動判定する。複数人の発言を区別する話者ダイアライゼーション、単語単位または発話区間単位のタイムスタンプ、専門語や固有名詞の認識を誘導するキーワードバイアスも利用できる。

出力形式は、フィラーや言い直しを残す「verbatim」と、それらを除いて読みやすく整える「clean」から選択できる。既定値はverbatimで、話者分離は無効、タイムスタンプは「none」である。必要な構造化情報は自動的にすべて付くわけではなく、APIリクエストで明示的に有効化しなければならない。

これらの機能は会議録や字幕の生成に役立つが、WERは話者の割り当て精度を測らない。文字が正しくても発言者を取り違えれば記録の意味は変わるため、Microsoftが話者誤り率や参加人数別の結果を公表していない現状では、文字精度と話者帰属を別々に確かめる必要がある。

Azure SpeechではファイルとAPI構成に制限

Microsoft Learnの技術文書 は、日本語対応に加え、入力を300MB未満のWAV、MP3、FLACファイルとしている。利用にはAzureサブスクリプション、Speech用のMicrosoft Foundryリソース、リソースキーと対応リージョンが必要で、Fast Transcription APIのenhanced modeにモデル名を指定する。

300MBを超える録音は、音声の抽出やファイル分割を利用側で行う必要がある。分割した場合は、区間をまたぐ文脈、タイムスタンプ、話者番号を後段でつなぎ直す設計も求められる。単価が低くても、前処理や再試行、保存、監視、校正の工程まで不要になるわけではない。

言語コードは一つだけ強制指定できるものの、文書はこれを非常に強いヒントと位置付け、自動判定が機能しない場合を除いて指定しないよう案内している。キーワードリストも認識を誘導するためのヒントであり、指定した語が必ず出力される保証ではない。

0.10ドルは検証を促す価格、本番保証はまだない

音声1時間当たり0.10ドルなら、月1,000時間を処理した場合のモデル利用料は単純計算で100ドルとなる。ただし、これは2026年末までの期間限定価格であり、Microsoftは2027年以降の通常料金を今回の公開資料で示していない。長期運用の予算には、将来の単価が未確定という条件を織り込む必要がある。

本番投入を阻む決定的な条件はサービス状態にある。Azure SpeechのMAI-Transcribeはパブリックプレビューとして提供され、SLAがなく、本番ワークロードには推奨されていない。機能が未対応または制限付きとなる可能性も明記されているため、障害時の復旧や互換性を保証する中核システムへ直結できる段階ではない。

現時点で確定しているのは、日本語を含む60言語への対応、FLEURSにおける60言語平均WER 5.2％、話者分離や単語タイムスタンプなどの機能、2026年末までの限定価格である。一方、日本語単独の精度、話者分離の評価値、2027年以降の料金、一般提供の時期とSLAは未確定だ。低価格と高いバッチ処理速度は検証を始める理由になるが、本番採用には一般提供への移行と不足データの開示がなお必要になる。