MAI-Voice-2は音声認識のモデルですか？

いいえ。文章を音声へ変える音声合成モデルです。会議音声の文字起こしなど、声を文章へ変える音声認識とは入力と出力が逆です。

参照音声があれば誰の声でも作れますか？

いいえ。音声プロンプトは限定アクセスで、本人の同意を確認する安全策が前提です。社内利用でも、利用範囲、同意の撤回、音声データの削除方法を決めてください。

MAI-Voice-2とは、文章や短い参照音声から、感情や話し方を調整した音声を作るMicrosoftの音声生成AIです。長いナレーションでも声の人物像を保ち、表現力と音質を重視する用途に設計されています。

英語表記：MAI-Voice-2／提供元：Microsoft AI／確認時点：2026年7月

Microsoftは2026年6月2日に発表しました。2026年7月30日時点では、Azure Speech in Foundry Toolsのパブリックプレビュー（誰でも試せる試験公開の段階）であり、品質や稼働を保証する取り決め（サービスレベル合意）がなく、本番の業務利用には推奨されていません。

入力した文章全体を見ながら、声の速さ、抑揚、感情、間の取り方を調整します。公式資料では15言語・18地域の音声、長文生成、複数話者、感情や話し方の制御が案内されています。

用途は、オーディオブック、研修教材、ブランドナレーション、アクセシビリティ、長めの案内音声など。短い参照音声に声を寄せる機能もありますが、限定アクセスと本人の同意を確かめる仕組みが前提です。好きな人の声を無断で複製できる機能ではありません。

MAI-Voice-2は、長文の表現力や音質を優先します。MAI-Voice-2-Flashは、音声エージェントやコールセンターのように、返答の速さと処理量が重要な場面向けです。

高品質版と高速版の関係であり、単純な新旧ではありません。収録済みコンテンツなら品質、会話なら遅延というように、利用場面から選びます。音声AIエージェントを作る場合は、文章を考えるLLMと、声へ変える音声モデルも分けて評価してください。

まず、実際に使う長さと語彙を含む台本を用意します。同じ台本で、発音、固有名詞、数字、感情、長時間の声のぶれ、生成時間を比較。良いデモ音声より、自社の原稿を安定して読めるかが重要です。

公開前には人が全編を聞き、読み間違いと不自然な感情を確認します。本人の声を使う場合は、同意の記録、利用範囲、撤回方法、削除、なりすまし防止も決めましょう。プレビュー段階では、停止時に別の音声へ切り替える手順も必要です。

Microsoft公式は、ヒンディー語と英語、スペイン語と英語を一文の途中で自然に切り替える例を公開しています。これはコードスイッチングと呼ばれ、会話の途中で複数言語を混ぜる話し方です。単語を翻訳するだけでなく、言語が替わっても声の人物像や抑揚を保つ点が小さな見どころ。

MAI-Voice-2は音声認識のモデルですか？: いいえ。文章を音声へ変える音声合成モデルです。会議音声の文字起こしなど、声を文章へ変える音声認識とは入力と出力が逆です。
参照音声があれば誰の声でも作れますか？: いいえ。音声プロンプトは限定アクセスで、本人の同意を確認する安全策が前提です。社内利用でも、利用範囲、同意の撤回、音声データの削除方法を決めてください。