Microsoft、リアルタイム文字起こしを公開 OpenAIより47%安い

Microsoftのリアルタイム文字起こし　100ミリ秒強で出る

Microsoft AI（MAI）は10月1日（現地時間）、話している途中から文字を返すMAI-Transcribe-2-Streamingを公開しました。同社で初めてのストリーミング型の文字起こしモデルで、Microsoft Foundryのパブリックプレビューとして提供します。

音声を受け取ってから100ミリ秒強で仮の結果を出し、話の流れに合わせて直しながら確定させる仕組みです。日本語を含む60言語に対応していて、話している言語は自動で見分けます。評価機関Artificial Analysisの精度の評価では1位だったと発表しています。

同じ日に音声合成のMAI-Voice-2.1と、高速版のMAI-Voice-2.1-Flashも出ました。3つを組み合わせて、人と声でやりとりする音声エージェントを作る使い方を想定しています。MAI PlaygroundやVercelからも使える形です。

音声AIではOpenAIが5月にGPT-Realtime-Whisperを、Googleが9月にGemini 3.8 Liveを出しています。

1時間0.54ドルはOpenAIより47%安い　ただし年末までだ

MAI-Transcribe-2-Streamingの料金は音声1時間あたり0.54ドルで、OpenAIのリアルタイム文字起こしより47%安い値段です。1ドル157.98円（10月1日の欧州中央銀行の値）で計算すると約85円になります。ただしこの値段は年末までの導入価格で、その先の料金はまだ出ていません。

OpenAIは公式の料金表で、GPT-Realtime-Whisperの費用の目安を1分0.017ドルとしています。1時間に直すと1.02ドル（約161円）なので、MAIのほうが1時間あたり0.48ドル安い計算です。Microsoftは社内の評価で、字幕のような使い方では最も近い競合より2倍速く文字が出るとも書いています。

各社の公式の掲載額です。OpenAIはAInformationが10月2日に確かめ、MAI-Transcribe-2は9月の発表時の値段です。円は1ドル157.98円で換算しました。

声を作る側はMAI-Voice-2.1が100万文字あたり22ドル（約3,476円）で、Flashは15ドル（約2,370円）です。Flashは同じ程度のモデルより約60%安いとしています。

日本語は聞き取れるが声はまだ無い　Chatterはログインが要る

聞き取りは日本語に対応していますが、声を作る側にはまだ日本語の既定の声がありません。MAI-Voice-2.1の発表文にある既定の声の一覧に、日本語が入っていないためです。提供する地域には東日本（Japan East）も含まれています。

3つのモデルを組み合わせたデモがChatterです。ITmedia NEWSによると、日本語で話しかけても返事は英語になります。返事の設定に日本語が無いためです。

AInformationが10月2日にログインせずに開くと、Chatterは「Start a conversation」を押したところでサインインの案内が出て止まったままでした。設定を開いても言語は自動判別しか出ず、ほかの言語の一覧は読み込みに失敗しました。試すにはサインインが要ります。

声を複製する機能は2つのVoiceモデルにありますが、審査を通ったアカウントでしか使えません。本人の同意を得た声しか合成できない仕組みも入っています。

録音版の5.4倍をどこで払うか　会議は2つに分けて選ぶ

リアルタイム版は、AInformationが9月4日に伝えた録音向けのMAI-Transcribe-2（1時間0.1ドル）の5.4倍の値段です。

その場で字幕を出したい会議や電話の受付はリアルタイム版にして、終わってから会議の議事録を作るなら録音版で足ります。全部をリアルタイム版で回すと費用がふくらむので、分けて考えるとよさそうです。

どちらもAPIで、使うには開発者が自社のアプリへ組み込む必要があります。議事録AIや会議アプリを作っている会社なら、GPT-Realtime-Whisperと同じ音声を流して聞き取りの正確さと1時間の費用を並べるのが早道です。0.54ドルの導入価格が終わる年末より前に、正式な料金が出るかどうかも見ておきたいところです。