Microsoft初の音声対音声モデル、1分0.01ドルから

Microsoft AIはIgnite 2026に合わせて「MAI Realtime 1」を発表した。同社初の音声対音声(speech-to-speech)モデルで、企業向けのリアルタイム対話を想定している。基本の音声対音声利用料は音声1分あたり0.01ドルから。深い推論が必要なタスクでは、より高性能な推論エンジンに処理を引き渡し、この分はトークン課金となる。料金は入力100万トークンあたり1ドル、出力は5ドルだ。

モデルはOpenAIのRealtime APIと互換性がある。すでにこのインターフェースで作られたアプリケーションは、理屈の上では接続先を切り替えるだけで移行できる。

Illustration: a wave links a headset and speech bubble, with a reasoning branch for Microsoft's real-time voice AI

機能一覧と提供範囲

Microsoftが挙げる機能は、カスタマーサポートやコールセンター向けの色が濃い。ユーザーが話をさえぎれること、「うん」「はい」といった相づちを適切なタイミングで挟むこと(業界ではバックチャネリングと呼ぶ)、背景ノイズに強いこと、ツールや社内システムを呼び出して処理を実行できること、プロンプトでペルソナを指定できることなどだ。

提供は複数の経路に分かれる。開発者はMAI Labsで試せる。Microsoft Foundryでは申請制の限定プレビューが始まっており、プレビュー期間中は無料で、課金は公開プレビューから始まる。製品面では、Dynamics 365 Contact CenterとDragon Copilotに搭載される予定で、後者では看護師の研修用に患者との会話を模擬するのに使われる。Microsoftが名前を挙げた初期ユーザーは、旅行プラットフォームのAgodaとReservations.aiだ。対応言語、音声(ボイス)の種類数、公開プレビューの開始時期は、発表ページに記載がない。

ベンチマークの根拠は一文だけ

Microsoftの原文は次のとおり。

"Our model outperforms GPT Realtime 2.1 on quality, speed, and price"

(当社のモデルは、品質、速度、価格のいずれでもGPT Realtime 2.1を上回る。)

この主張の根拠は、Big Bench Audio(音声での推論)、τ-Voice(音声エージェントのタスク完遂)、そしてMicrosoft独自のDynamics 365カスタマーサービス評価だ。発表ページは、MAI Realtime 1が前の2項目で「性能と価格のパレートフロンティア」に位置するとしている。具体的なスコア、テスト構成、レイテンシの数値は一つも示されておらず、脚注にあるのは、結果は特定の評価構成と負荷に依存するという一文だけだ。現時点で、外部がこの比較を検証することはできない。

2つの構成を横並びで見る

音声エージェントでよくある構成は3段式だ。まず音声をテキストに変換し、次にテキスト大規模言語モデルで処理し、最後に音声合成する。3つを直列につなぐと各段で遅延が積み上がり、ユーザーが途中で割り込む場面も扱いにくい。エンドツーエンドの音声対音声モデルは中間の文字起こしを省く。OpenAIのRealtimeシリーズがこの方式で、今回Microsoftは真正面から競合する形になった。

MAI Realtime 1の料金体系は、基本の会話を分単位、深い推論をトークン単位と、二つに切り分けている。企業はまず通話時間から費用の大部分を見積もり、複雑な質問の推論費用は別建てで積み上げられるため、コールセンターには分かりやすい。ただし、0.01ドルという表示価格が1通話の総コストを意味するわけではなく、推論呼び出しの多い業務は自社で実測する必要がある。

Microsoftの製品ラインに置いて見ると、同じ週にはコーディングモデルのMAI Code 2も発表されている。音声が加わったことで、Microsoftはコーディング、カスタマーサポート向け音声、基盤モデルの各方向で自社開発モデルをそろえた。発表のペースから見て、OpenAIとの関係では代替の色合いが強まっている。

参考資料:Microsoft AI公式ブログ、CocoLoop、Ignite 2026発表資料。音声1分あたりの基本料金、推論トークン単価、初期提供製品を照合した。