Microsoftの音声AI、文字起こし1時間86円と23言語の吹き替え

Microsoftが音声まわりのAIモデルを2種類公開しました。
リアルタイムの文字起こしと、読み上げ（テキストを音声に変える仕組み）です。
発表はThe Decoderが伝えています。

文字起こしは音声1時間0.54ドル、最初の結果は0.1秒台

MAI-Transcribe-2-Streamingは、話し手が話し終える前でも途中結果を返せる文字起こしモデルです。
最初の途中結果が出るまでが100ミリ秒を少し超える程度で、Microsoftは「話し手が文の途中でも音声エージェントが応答できる」と説明しています。
対応する言語は60です。

料金は年末までの導入価格で、音声1時間あたり0.54ドル（約86円）。
10分の動画なら音声も10分ですから、およそ0.09ドル（約14円）になります。

読み上げは同じ声のまま23言語、100万字15ドル

MAI-Voice-2.1は、23言語を同じ声で読み上げるモデルです。
どの言語でもネイティブの発音になるよう設計されている、とMicrosoftはしています。

速いほうのMAI-Voice-2.1-Flashは、読み上げが始まるまでの遅れが150ミリ秒です。
料金は100万字あたり15ドル（約2,400円）で、以前の22ドル（約3,500円）から下がりました。
同じ原稿を読ませる費用は3割ほど安くなります。
MAI-Voice-2.1本体の料金は原文に書かれていません。

数秒の音声から声を複製、4,000人の半数が本物と判断

読み上げの2モデルは、数秒の参照音声から声を複製できます。
悪用を防ぐ仕組みが組み込まれているとMicrosoftはしていますが、何をどう防ぐのかは原文で明らかにされていません。

あるテストでは、参加した4,000人のうち約半数が、その声を実在の人物のものだと思いました。
10人いて5人は聞き分けられない計算です。

使える場所はMicrosoft Foundry（MicrosoftのAIモデルをアプリから呼び出す基盤）とMAI Playground、それにOpenRouter（複数のAIモデルを1つの窓口から使えるサービス）で、OpenRouterに載るのは読み上げの2モデルです。

音声AIを日本語チャンネルの字幕とナレーションに使う

原文は音声エージェント向けの発表で、動画制作での使い方には触れていません。
それでも、費用の桁はそのまま見積もりに使えます。
文字起こしの音声1時間86円は、長尺動画の字幕づけを外注しているときの比較対象になります。
結果が早く返る仕様なので、収録しながら字幕の下書きを作る進め方も取れます。

読み上げは、顔出しなしのチャンネルでナレーションを任せる使い方がそのまま当てはまります。
23言語を同じ声で出せるので、日本語で作った動画に別の言語の音声を載せるときも、言語ごとに声が変わりません。
商用利用の可否や提供条件は原文に書かれていないので、各サービスの案内を見る必要があります。

声の複製は、自分の声を登録して自分の動画に使うなら助かります。
他人の声を複製して動画に載せると、権利のトラブルになり得ます。
どこまでを自分の声とするか、決めておく話です。

比べる価値があるのは、いま外注しているナレーション1本の文字数と、字幕づけに払っている1時間あたりの金額です。

※円換算は1ドル＝160円（2026年8月時点の目安）です。