← ニュース一覧 | 現貨ホール

1時間あたり0.54ドル:マイクロソフトの新文字起こしモデルMAI、年内限定の特別価格を提示

2026-11-03 · 出典:36氪快讯·中继

1時間あたり0.54ドル:マイクロソフトの新文字起こしモデルMAI、年内限定の特別価格を提示

MAI-Voice-2.1の2モデルが同時登場、100万文字あたり22ドルと15ドルの2段階課金体系を採用。

現地時間10月1日、マイクロソフトは新文字起こしモデル「MAI-Transcribe-2-Streaming」の正式リリースを発表し、音声1時間あたり0.54ドルという期間限定の特別価格を提示した。有効期限は今年年末まで。この価格設定は音声認識の商用導入ハードルを非常に試算しやすい水準まで引き下げたものであり、マイクロソフトによる音声AI分野での最新の価格政策として注目される。

MAI-Transcribe-2-Streamingと同時に発表されたのは、2つの新音声生成モデル「MAI-Voice-2.1」と「MAI-Voice-2.1-Flash」である。3モデルを合わせると、音声認識と音声生成の双方をカバーする製品ポートフォリオを構成する。ただし、課金方式は統一されていない。文字起こしモデルは音声時間ベース、音声生成モデルは文字数ベースで課金される。MAI-Voice-2.1の価格は100万文字あたり22ドル、Flash版は100万文字あたり15ドルで、標準版より約3割安い。

製品ポジショニングの観点から見ると、この組み合わせは明確に2種類の異なるワークロードを狙っている。MAI-Transcribe-2-Streamingはリアルタイムのストリーミング文字起こし向けで、会議議事録、コールセンターの録音アーカイブ、ライブ配信の字幕、インタビューの文字起こしなどが典型的な用途であり、時間単位の課金方式はコールセンターやメディア企業など購入側の業務量と自然に一致する。一方、MAI-Voice-2.1シリーズは音声合成向けで、音声アシスタントの読み上げ、オーディオコンテンツ制作、発信型ボットなどの用途に対応し、文字数課金によりテキスト量に連動するため、コンテンツ系チームのコスト予測が容易だ。認識と生成の両端が揃っていることで、購入側は同一サプライヤーで音声パイプラインの上流から下流までをカバーでき、複数サプライヤーの組み合わせによるインターフェースや精算の複雑さを軽減できる。

音声機能を大量調達する企業にとって、この価格の核心的価値は予測可能性にある。音声時間も文字数も購入側が自ら見積もれる指標だ。1日1万時間の顧客対応録音を処理するチームは、時間数に単価を掛けるだけで請求額の規模を算出できるし、毎月数億文字の音声コンテンツを生成するプラットフォームも、文字数に応じてMAI-Voice-2.1またはFlash版の段階的価格を当てはめられる。0.54ドルという時間単価は文字起こしの試用ハードルをわかりやすい水準まで下げ、年末までの割引期間は明確な低コスト検証期間を提供する。企業はこの期間にモデルの効果検証、スループットの負荷試験、内部システムとの接続を完了させ、検証コストの暴走を心配する必要がない。

留意すべきは境界条件だ。今回公表されたのは期間限定の先行価格に過ぎない。年末の期間が終了した後、MAI-Transcribe-2-Streamingがどのような長期価格で提供されるかについて、発表内容では言及されていない。つまり購入側は年間予算策定に際し、価格上昇リスクに備えた柔軟な余裕を持たせる必要がある。堅実な対応策は、割引期間をP.O.C.と段階的導入の窗口と位置づけ、大規模な商用契約は長期価格が明確になってから締結すること、そして技術アーキテクチャ上は文字起こしエンジンの代替可能性を維持し、長期価格が大幅に引き上げられた場合に交渉力と移行のカードを確保しておくことだ。

業界の視点から見ると、音声AIの価格設定は「予測可能な単位コスト」へと急速に進化している。数年前まで音声認識はリクエスト回数や換算しづらいトークン単位で課金されることが多く、購入側は横断的な価格比較が困難だった。現在は時間、100万文字といった単位での価格提示により、音声機能は標準化されたコンピュート商品のようになりつつある。MAI-Voice-2.1標準版とFlash版の約3割の価格差は、基盤モデル市場における「標準版は品質重視、軽量版はコスト削減」という二重価格の慣行を踏襲するものだ。レイテンシが重要で音質の要求が極端でないシナリオではFlash版が明確なコスト削減の選択肢となり、ブランド読み上げやコンテンツ出版など音質が重要なシナリオでは標準版が依然としてデフォルトの選択となる。

AIコンピュートの購入者は、調達決定時にいくつかの観点にも注意を払う必要がある。第一にストリーミング対応:MAI-Transcribe-2-Streamingの「Streaming」という名称はリアルタイムストリーミング用途向けであることを示し、話しながら文字が表示される客服や会議のシーンに適するが、バッチのオフライン文字起こしが同一の課金経路になるかは、購入前にサプライヤーに確認すべきだ。第二に割引期間終了後の移行リスク:年末で期限を迎える限定価格は、翌年に請求額が急変する可能性を意味し、財務部門は事前にモデリングしておくべきだ。第三に文字数と音声の換算の落とし穴:音声生成は文字数課金だが、言語や句読点の処理方法によって実際の消費量が変わるため、検証期間内に実業務のサンプルで請求額を検証することが望ましい。第四にサプライヤーの組み合わせ戦略:文字起こしと合成は別々のベンダーを選択し、業務負荷に応じて調達を分割する方が、一括調達よりも交渉余地が広がることが多い。

現在の二次市場の現物取引の状況としては、当該モデルの販売価格データは存在しない。これはモデルが10月1日に発表されたばかりで、期間限定の先行販売段階にあることと整合する。この種のAPI型モデル機能は通常、公式のサブスクリプション経路を通じて購入され、完成品やコンピュートインスタンスの形で現物流通に乗ることはない。購入者は公式の課金ドキュメントを唯一の価格根拠とし、「MAIモデル枠の再販」を名目とする非公式チャンネルの価格提示に警戒すべきだ。

総合すると、マイクロソフトは今回、1時間あたり0.54ドルの限定価格で文字起こし市場に参入し、2段階の音声生成モデルと組み合わせることで、自社音声製品ラインの補完と調達市場への価格アンカリングの両方を図ったものと言える。購入者にとって、年末までの期間は低コスト検証とアーキテクチャ接続の絶好の機会だが、真の調達決定は、長期価格と自社の業務量データの両方が確定してから行うべきだ。

Q: MAI-Transcribe-2-Streamingの特別価格はいくらで、いつまで有効か?

A: 先行特別価格は音声1時間あたり0.54ドルで、有効期限は今年年末まで。期限後の長期価格は発表では未公表。

Q: MAI-Voice-2.1シリーズの課金方式と、2段階の価格差は?

A: 標準版は100万文字あたり22ドル、Flash版は100万文字あたり15ドル。Flash版は標準版より約3割安い。

タグ: Microsoft · MAI-Transcribe-2-Streaming · MAI-Voice-2.1 · Speech AI · Speech Synthesis


関連記事


萬安算交所 AIXX · AIXX · 検証済みコンピュート取引所 · 現貨ホールへ