Microsoft、新しい音声文字起こし・音声合成AIを発表

何があったの？

Microsoft AIは2026年10月1日（現地時間）、新しい音声系AIモデルをまとめて発表しました。話した言葉をその場で文字に変換する「MAI-Transcribe-2-Streaming」、自然な声で読み上げる「MAI-Voice-2.1」、そしてその高速・低価格版「MAI-Voice-2.1-Flash」の3つです。文字起こしモデルは60の言語に対応し、音声を受け取ってからおよそ100ミリ秒で暫定的な認識結果を返します。評価機関Artificial Analysisのテストでは精度が1位になったとされています。これらは「Microsoft Foundry」などを通じて順次試せるようになる予定です。

初心者にはどういう意味？

「文字起こしAI」は、話した言葉をその場で文字に変換する技術のことです。たとえるなら、会議に同席して内容をリアルタイムでメモしてくれる速記者のような存在です。一方「音声合成AI」は、文章を渡すと自然な声で読み上げてくれる技術で、原稿を渡すとそのまま朗読してくれるナレーターのようなものだとイメージすると分かりやすいでしょう。今回のニュースは、この2つの技術が「速く」「安く」「多くの言語に対応」する形で新しくなった、という内容です。会議の自動議事録や、外国語対応の音声アシスタントなど、身近なサービスの裏側で使われていく技術です。

私はこう思う

社会人なら仕事で、学生なら学業で生かせるいい技術だと思います。
音声を使って素早くメモや翻訳できたり、音声合成AIを使って耳で文章を聞くことができるのは非常に便利なのでぜひともMicrosoftはこっちの方面も伸ばしていってほしいと思います！

今日からできること

• 普段使っている会議アプリや文字起こしアプリに「リアルタイム変換」や「多言語対応」の案内が出ていないか、アップデート情報をチェックしてみましょう
• 音声合成AIで作られた声を一度体験してみると、今後ニュースなどで聞く「AIの声」の精度をより実感しやすくなります