Microsoftが文字起こしAI「MAI-Transcribe-2」を公開｜音声1時間0.10ドルで福岡の事業者ができること

「会議の録音を文字にするだけで、けっこうな金額になるんですね」。福岡の士業事務所さんから伺った言葉です。2026年9月3日、Microsoftが音声認識モデル「MAI-Transcribe-2」を公開し、音声1時間あたり0.10ドル（2026年12月31日まで）という価格を提示しました。文字起こしの費用は、AI導入をためらう理由ではなくなりつつあります。AI導入支援を行うKOKORASHI AI（ココラシエーアイ）として、福岡の中小事業者が今日から確認できることを整理します。

MAI-Transcribe-2で公表された事実

Microsoftの発表から、確認できる事実だけを並べます。

• Microsoft AIが自社開発した音声認識（音声からテキストへの変換）モデル
• Microsoft Foundryでパブリックプレビューとして提供開始
• 60言語に対応
• 話者分離（誰が話しているかを区別する機能）と単語単位のタイムスタンプに対応
• 多言語ベンチマークFLEURSで平均単語誤り率5.2%、精度1位とMicrosoftが発表
• 価格は音声1時間あたり0.10ドル（2026年12月31日まで）
• Microsoft Foundry、MAI Playground、OpenRouterで試せる

パブリックプレビューは正式版の前段階です。仕様や価格が変わる可能性を前提に、業務の本番運用へ一気に乗せない判断が要ります。

実務で効くのは精度より「話者分離」と「タイムスタンプ」

文字起こしAIの話題は精度に集まりがちですが、現場で効くのは別の2機能です。

博多の設計事務所さんからは「打ち合わせで施主さんが言った要望と、社内で決めた仕様が混ざってしまう」と相談を受けました。話者分離があると、発言を人ごとに分けて残せます。誰の要望かが記録に残るので、後から仕様変更の理由をたどれます。

単語単位のタイムスタンプは、長い録音の中から必要な場面だけを聞き直すときに効きます。文字を検索して、該当箇所の音声へ飛べるからです。1時間の録音を頭から聞き直す作業が消えます。

音声1時間0.10ドルという価格をどう読むか

価格の判断で大事なのは、比較対象を間違えないことです。

• 文字起こしの費用：音声の長さに比例します。月20時間の録音なら2ドル分にあたります
• 要約・整理の費用：文字起こしとは別に、生成AIへ渡す費用が発生します
• 人の確認時間：固有名詞や社内用語の直しは人が担当します

私が福岡の事業者さんにお伝えしているのは、文字起こしの単価が下がっても、確認の手間はゼロにならないという点です。総額で見るときは、人が読み直す時間まで含めて考えてください。

つまずくのは文字起こしの後ろの工程

実際の相談で多いのは「文字にはなったが、長すぎて誰も読まない」という状態です。1時間の打ち合わせを文字にすると、原稿用紙で何十枚にもなります。

解決策はシンプルで、出力の型を先に決めておくことです。私がおすすめしているのは3点の型です。

• 決まったこと：箇条書きで3〜5行
• 宿題：担当者名と期限をセットで
• 保留：判断できなかった理由を1行

型を決めてから生成AIに要約させると、毎回同じ形式で残ります。形式が揃うと、後から検索して使えるようになります。

録音する前に決めておく3つのルール

音声には顧客名や金額が入ります。導入前に社内で決めておく項目を挙げます。

• 参加者への告知：録音と文字起こしを行うことを、会議の冒頭で伝える
• 保存場所と保存期間：音声とテキストをどこに置き、いつ消すかを決める
• 外部に出さない線引き：人事や個人の相談ごとは録音しない、と決めておく

天神の人材サービス会社さんとは、面談の録音を業務用と人事用で完全に分ける運用を決めました。ツールを選ぶ前にルールを決めたので、導入後の混乱がありませんでした。

60言語対応は福岡のインバウンド対応と相性がよい

福岡は九州の玄関口で、宿泊・飲食・小売にインバウンドの問い合わせが入ります。60言語に対応した文字起こしは、電話や対面のやり取りを記録して後から社内で共有する用途に向きます。

ただし翻訳と文字起こしは別の工程です。話された言葉を、話された言語のまま文字にする機能なので、日本語へ直す処理は別に組む必要があります。

まとめ

• MAI-Transcribe-2は60言語対応、話者分離と単語単位のタイムスタンプに対応。音声1時間0.10ドル（2026年12月31日まで）
• 現時点はパブリックプレビュー。本番運用へ一気に乗せず、まず短い録音で試す
• 実務で効くのは精度より、発言者の区別と聞き直しやすさ
• 文字起こしの後ろに「決まったこと・宿題・保留」の型を用意しておく

KOKORASHI AIでは、福岡の中小事業者向けにAI活用の設計と運用を初期費用0円・月額4,800円（税込）からお手伝いしています。会議記録の仕組みづくりもご相談ください。

よくある質問

Q. MAI-Transcribe-2はすぐ業務で使えますか。
現時点ではMicrosoft Foundryでのパブリックプレビュー提供です。パブリックプレビューは正式版の前段階で、仕様や価格が変わる可能性があります。まずは短い録音で精度と手間を確かめ、業務の本番運用へ一気に乗せない進め方をおすすめします。

Q. 話者分離があると何が変わりますか。
発言を人ごとに分けて記録できます。打ち合わせで顧客の要望と社内の決定が混ざる問題を防げるので、後から仕様変更の理由をたどれます。単語単位のタイムスタンプと組み合わせると、文字を検索して該当場面の音声へ直接飛べます。

Q. 文字起こしの費用が下がれば、議事録づくりは自動化できますか。
文字にする工程は自動化できますが、読める形に整える工程と人の確認は残ります。1時間の会議を文字にすると分量が多く、そのままでは誰も読みません。決まったこと・宿題・保留の3点に絞る型を先に決めてから、生成AIで要約させる流れが実用的です。