Microsoft、リアルタイムのAI音声モデルを発表

Microsoft、リアルタイムのAI音声モデルを発表し、顧客対応とコンタクトセンターを狙う

2026年10月1日、Microsoftは3つの音声AIモデルを発表しました。話している最中の言葉を文字に起こすモデルが1つと、テキストを自然な音声に変換するモデルが2つです。これらは同社のプラットフォームMicrosoft Foundryで利用でき、PYMNTSなどのメディアは、顧客対応・コンタクトセンター市場への本格参入と受け止めています。

19 80 TIC Cloud チーム·2026年10月23日·3 分で読めます

Microsoftが発表した内容

Microsoft AI部門は10月1日、Tech CommunityブログでMAIファミリーの3つのモデルを公開しました。

MAI-Transcribe-2-Streaming：音声が届くそばからテキストに変換するモデルで、60言語に対応し、言語の自動検出も備えています。数百ミリ秒で最初のテキストを出し、話し終えた時点で文字起こしを確定するまで修正を続けます。Microsoft初のストリーミング文字起こしモデルです。
MAI-Voice-2.1：Microsoftが同社史上最も表現力が高いと説明する音声合成（テキスト読み上げ）モデルで、23言語に対応し、音声の品質を最優先する用途向けです。
MAI-Voice-2.1-Flash：素早い応答と大量処理に最適化した版で、対応言語は同じです。

Microsoft Foundry Modelsの製品開発ディレクター、Naomi Moneypenny氏は、これらを組み合わせることで開発者が自然な音声体験をつくる選択肢が広がり、アプリケーションがその場で動く必要がある場合には、話している最中に文字起こしすることが重要になると説明しました。挙げられた用途には、顧客サービスエージェント、多言語アシスタント、ライブ字幕などがあります。

速度、価格、提供状況

Unite.AIによると、Microsoftは自社の文字起こしモデルがArtificial Analysisのストリーミング文字起こしランキングで精度1位であり、Flashモデルは約150ミリ秒の遅延で音声を生成するとしています。一方SiliconANGLEは、最初のテキスト仮説までの平均を約320ミリ秒と報じ、ネットワークや応答を生成するモデルの分も時間がかかるため、Microsoftはすべての状況でこの数値を保証しているわけではないと補足しています。これらはメーカー自身のデータであり、独立した検証ではありません。

公表されている価格は次のとおりです。

MAI-Transcribe-2-Streaming：音声1時間あたり0.54ドル（2026年末までのローンチ価格）。
MAI-Voice-2.1：100万文字あたり22ドル。
MAI-Voice-2.1-Flash：100万文字あたり15ドル。

3つのモデルはMicrosoft Foundry、MAI Playground、Vercel、Azure Voice Liveで利用でき、音声合成モデルはOpenRouterでも提供されています。Microsoftによると、どちらの音声合成モデルも数秒の音声から声を複製でき、同意確認の仕組みが組み込まれています。

なぜ重要か：待たせない音声エージェントをめぐる競争

AI音声エージェントは3つの段階の連なりとして動きます。聞く（音声をテキストにする）、考える（言語モデルが応答を決める）、話す（応答を音声にする）です。段階ごとに遅延が加わり、電話ではほんの数秒の沈黙だけで、顧客はぎこちない機械と話していると感じてしまいます。Unite.AIは、Microsoftの戦略を、このサイクルの「両端で時間を取り戻す」こと、つまり相手が話し終える前に文字起こしし、速い音声で応答することだとまとめています。

SiliconANGLEは、聞く・考える・話すのモデルを分けることで、開発者が品質、遅延、コストを個別に調整できると指摘しています。今回の発表により、Microsoftは、企業における生成AIの最も目立つ用途の一つとなった自動電話対応の分野で、音声専門企業やエージェントプラットフォーム企業とより直接的に競合することになります。

コロンビアと中南米の企業にとっての意味

Microsoftのような巨大企業がリアルタイム音声に参入することは、電話で顧客対応を行うすべての企業に実際的な影響をもたらします。

競争が増え、価格は下がります。大手が音声1時間あたりや100万文字あたりの料金を公表すると、通話の自動化コストは全体的に下がる傾向があります。
より自然な会話に。遅延が減れば、気まずい沈黙も、対応前に電話を切ってしまう顧客も減ります。
言語となまりを確認しましょう。参照した情報源では文字起こしが60言語、音声合成が23言語とされていますが、コロンビアのスペイン語での性能については詳しく書かれていません。エンジンを選ぶ前に、実際の顧客の通話で試してください。
モデルだけでは完結しません。電話に応対するには、番号、電話交換機（PBX）、人のオペレーターへ引き継ぐルール、CRMとの連携、顧客への告知付きの録音が必要です。
複製した声の使い方に注意しましょう。ツールで声を複製できるからといって、許可なく行ってよいわけではありません。顧客への透明性が引き続き重要です。

19 80 TIC Cloudでは、AI音声エージェントを御社のクラウドPBXとコールセンターに統合し、お選びになった音声技術が御社自身の法人番号で応対できるようにします。

御社でも導入しませんか？

19 80 TIC CloudにはIP電話、ネットワーク、クラウドを専門とするエンジニアチームがあり、最初から最後までサポートします。現在のコミュニケーションを確認し、御社に合ったソリューションを設計・導入し、きめ細かくサポートします。初回のご相談は無料です。

無料診断

御社に合わせた設計

導入とサポート

よくある質問

Microsoftは2026年10月にどんな音声モデルを発表しましたか？

MAIファミリーの3つのモデルです。60言語のリアルタイム文字起こしを行うMAI-Transcribe-2-Streamingと、23言語でテキストを音声に変換するMAI-Voice-2.1およびMAI-Voice-2.1-Flashです。

Microsoftの新しい音声モデルの料金はいくらですか？

公表料金によると、ストリーミング文字起こしは音声1時間あたり0.54ドル（2026年末までのローンチ価格）、MAI-Voice-2.1は100万文字あたり22ドル、Flash版は15ドルです。

AI音声エージェントを使うには、企業がプログラミングをする必要がありますか？

これらのモデルは開発者向けです。ゼロから構築したくない企業は、音声エージェントを自社の番号、電話交換機、CRMと統合してくれるプロバイダーと組むことができます。

コロンビアの2G・3Gネットワーク停波：いま何が起きていて、企業はどう備えるべきか

コロンビアには2G・3Gを停波する全国統一の公式日程はありませんが、古いネットワークは年々縮小しており、そのペースは各通信事業者が独自に決めています。2026年10月時点で確定していること、御社のどの機器にリスクがあるか、そして慌てずに備える方法をご説明します。

India Mobile Congress 2026：6GとAIネイティブネットワークが通信の進む方向を示す

2026年10月7日から10日まで、ニューデリーで第10回India Mobile Congressが開かれました。アジア最大級の通信見本市の一つです。通信事業者、メーカー、政府に共通するメッセージは明確でした。モバイルネットワークの次の段階は、単に速度を上げることではなく、人工知能を組み込み、6Gへの道を整えるネットワークだということです。

韓国、Samsung、KT、SK TelecomとAI-RANの実証試験を開始：6Gに向けたAI搭載ネットワーク

2026年10月、韓国で政府プログラムの一環として、無線部分に人工知能を使うモバイルネットワーク「AI-RAN」のフィールド試験が始まりました。通信事業者のKTとSK Telecomが選んだベンダーはSamsungで、両社は6Gへの前段階として、造船所と石油化学工場でロボットを使ってこの技術を試験します。