MAI-Transcribe-2(マイ・トランスクライブ・ツー)とは

MAI-Transcribe-2とは、録音された音声を文字へ変換するために、マイクロソフトのAI部門（Microsoft AI）が開発した音声認識モデルです。文字の内容に加えて、誰の発言かを区別する情報や、音声内の時刻を扱える点が特徴です。

マイクロソフトが2026年9月3日に発表しました。2026年9月時点で日本語を含む60言語に対応し、Azure SpeechのAPIなどを通じてシステムへ組み込む用途が案内されています。

文字起こしの後で、原音へ戻りやすくする

会議や取材の記録では、全文を文字にできるだけでは足りません。複数人の発言が混ざったり、数値が怪しく見えたりしたときに、元の音声を聞き直せることが重要です。

MAI-Transcribe-2は、話している人を区別する話者分離と、各単語がどの時点で発せられたかを示す単語単位のタイムスタンプに対応します。API利用時には、必要な機能を指定して使います。

「話者Aの発言を確認する」「この数字の前後だけ再生する」といった確認作業に結び付く機能です。ただし、話者を区別することは、その人の実名や所属を証明することではありません。

発言を残すか、読みやすく整えるか？

出力には、言いよどみや言い直しも残す逐語形式と、読みやすさを重視して整える形式があります。前者は発言の検証、後者は内容を素早く読む用途に向いた選択肢です。

たとえばインタビューでは、「ええと」という間の言葉を残すかどうかで、読み物としての見え方が変わります。何を記録として残すのかを、文字起こしの前に決めると後工程のやり直しを減らせるでしょう。

製品名や社内用語など、認識してほしい言葉を指定して補助する機能もあります。単語の候補を渡しても、その言葉が正しく認識される保証にはなりません。似た音の人名や金額は、原音と照らす確認対象に残してください。

仕事で使うなら、文字起こしと要約を分ける

インタビューや問い合わせ録音を確認する業務では、どの発言に戻るかを探す手間が負担になります。発言者の区別と時刻を持つテキストは、担当者が確認すべき箇所へ戻るための手掛かりです。

一方、文字起こしAIの出力は、発言を文字にした記録です。会議の決定事項を選び、担当者と期限を確定する作業は別に設計する必要があります。

要約やタスク抽出を後ろにつなぐ場合も、元の録音と文字起こしを参照できるようにします。発言の誤認識が要約へ引き継がれると、発言していない約束が記録される可能性があるためです。

配布用の議事録を作るなら、録音、変換結果、担当者が修正した版を区別して保存してください。どこで内容が変わったのかを後から確かめるための備えです。

比較で見るべきなのは、自社の録音での修正量

対応言語数や公開テストの成績だけでは、自社の会議室での使いやすさは分かりません。複数人の声が重なる録音、電話音声、商品名を多く含む会話など、普段扱う条件をそろえて試します。

Whisperや他の文字起こしサービスと比べる際も、同じ音源を使うことが出発点。誤字の数だけでなく、人が直す時間と確認しやすさを測ると、実際の運用費用を見積もりやすくなります。

録音の利用目的、保存期間、アクセスできる担当者、処理される地域も、導入担当者が確認する項目です。会話に個人情報や社外秘が含まれる場合は、送信してよい範囲を先に整理してください。

MAI-Transcribe-2に関するよくある質問

長い録音を一度に送れますか？

2026年9月の公式モデルカードでは、入力上限は300MBかつ2時間です。長い録音は分割し、区切りで発言が途切れないように管理します。ファイル形式や利用するAPI側の条件も合わせて確認してください。

テキストを自然な声で読み上げることもできますか？

このモデルの役割は音声からテキストへの変換です。文章から声を作る場合は、音声合成のモデルやサービスを別に選びます。音声関連の製品でも、入力と出力の向きが異なります。