X で話題になっていた投稿を、SYNCON 編集部が深掘りします。エンジニア出身で元ゲーム会社ディレクターの StudioYebisu 氏(@studio_yebisu)が、Microsoft の新しい文字起こし AI を発表当日に試し、デモ動画付きで紹介しました。会議の記録にお金を払っている会社なら、その費用の中身を見直すきっかけになる話です。
30 秒でわかるポイント
- Microsoft が 10 月 1 日に出した「MAI-Transcribe-2-Streaming」は、話しながら文字にする AI です。評価サイト Artificial Analysis で 38 モデル中 1 位(誤り率 2.5%)でした
- 料金は音声 1 時間 0.54 ドル(約 85 円)。ただし年末までの導入価格です
- 投稿者は、議事録アプリには固有名詞の辞書登録などの価値が残ると指摘しています。差がつく場所は、文字にする精度から、その先へ移りつつあります
1 分でわかる解説
誤り率 2.5% は、100 単語あたり 2.5 語の間違いという意味です。話し終えてから 0.13 秒で文字が確定します。それまでの 1 位は、誤り率 2.7%、0.49 秒でした。
ただし評価に使われたのは英語中心の音声です。日本語の会議でどこまで正確かは、まだ公表された数字がありません。来年以降の価格も示されていません。
それでも、文字にするだけなら安く速い時代になりました。議事録ツールの費用のうち、何が「文字にする代金」で、何がそれ以外か。分けて考える意味が出てきます。
ここから考えたい 3 つの問い
- 会議の記録のために、いま毎月いくらを、何に対して払っていますか?
- 製品名や取引先名、社内の略語は、一覧にまとまっていますか?
- 会議の音声を社外のサービスに送ってよいか、決まりはありますか?
全文を読む(約 5 分)
議事録アプリは本当に「終了」するの?
投稿は「議事録文字起こしアプリ界隈終了のお知らせ」という強い一文で始まります。ただ、読み進めると投稿者の結論は少し違います。
最後の段落で StudioYebisu 氏は、議事録の分野には固有名詞の辞書登録などの価値があると書いています。だから、すぐにありふれた商品になるわけではない、という見立てです。目を引く入口と、落ち着いた結論が一つの投稿に同居しています。
この投稿が良かったのは、数字の紹介で終わらなかった点です。発表当日に自分で試し、デモ動画を添えました。そのうえで、ささやき声や固有名詞は完璧ではないと、弱いところも正直に書いています。
デモの条件も明かしています。音声合成のサービスで作った声を、マイクで読み込ませて文字にしたものです。実際の会議の録音とは条件が違うことが、読み手にも分かるように書かれています。
ブックマークは 730 件で、いいねの 742 件とほぼ同じ数でした。読むだけでなく、手元に保存した人が多かった投稿です。
誤り率 2.5% は、どのくらいの精度なの?
単語の誤り率(WER)は、文字起こしの正確さを測る代表的な物差しです。2.5% なら、100 単語あたり 2.5 語の間違いです。
この数字を出したのは、AI モデルを横並びで比べている評価サイトの Artificial Analysis です。話しながら文字にする方式(ストリーミング)の部門で、38 モデル中 1 位でした。
速さも同時に測られています。話し終えてから文字が確定するまで 0.13 秒です。それまで 1 位だった Grok Voice Transcribe 2.0 は、誤り率 2.7%、0.49 秒でした。Microsoft によると、話し始めから 100 ミリ秒強で途中の文字が出始めます。
一方で、示されていないこともあります。発表の時点で分かることと、まだ分からないことを並べます。
| 項目 | 発表で示されたこと | まだ示されていないこと |
|---|---|---|
| 精度 | 決算説明会の録音などを含む、約 8 時間の英語中心の音声で 1 位 | 日本語の会議での精度 |
| 言語 | 60 言語に対応 | 日本語の精度の公開値 |
| 料金 | 1 時間 0.54 ドル(年末まで) | 来年以降の価格 |
| 固有名詞 | 前の版には用語を教える機能がある | ストリーミング版で使えるか |
料金 0.54 ドルは安いの?
投稿者は「価格は普通」と評しました。この見立ては、評価サイトの見方とも合っています。Artificial Analysis は、主要なストリーミング型の中では高めの価格帯だとしています。
同じ比較で、Muse Voice Transcribe はこのモデルの 3 分の 1 の料金です。精度で 1 位でも、値段で 1 位ではありません。
なお、投稿では Vercel 経由の料金として紹介されていましたが、0.54 ドルは Microsoft が示した年末までの導入価格です。Microsoft Foundry や OpenRouter などでも使えます。
録音を後からまとめて文字にする方式なら、同じ系列の MAI-Transcribe-2 が 1 時間 0.10 ドル(約 16 円)です。こちらも年末までの価格です。会議の後に議事録が届けば足りるなら、その場で文字にする速さにお金を払う必要はありません。
話しながら文字にすると、何が変わるの?
Microsoft が挙げる使い道は、音声で応対する AI、口述の入力、字幕などです。話の途中から AI が考え始められるので、応答までの待ち時間が縮みます。
口述や字幕の用途では、最も近い競合より 2 倍速く文字が出ると、Microsoft は社内の評価として説明しています。会議の最中に、話した言葉をその場で画面に出すような使い方に向いた方式です。
議事録ツールの値打ちは、どこに移るの?
StudioYebisu 氏の指摘をもう一段進めると、こう整理できます。文字にする部分は、安く速く、どこでも手に入るものになりつつあります。差がつくのは、その前後です。
| 比べる点 | これまで | これから |
|---|---|---|
| 文字にする精度 | ツール選びの決め手 | 上位のモデル同士では差が縮んでいる |
| 社内の固有名詞 | 誤変換を人が手で直す | 辞書として用意し、AI に教える |
| 要約と決定事項 | 人が読み返してまとめる | ツールの作り込みで差が出る |
| 保管と閲覧 | 担当者の手元に散らばる | 誰が何を見られるかの管理が要る |
前の版の MAI-Transcribe-2 には、専門用語や人名などを教えて認識させる機能があります。ストリーミング版で同じことができるかは、発表文には書かれていません。日本語の会議で使う前に、確かめたい点です。
SYNCON の視点 — 日本の非エンジニア経営層は何を盗むべきか
文字にする作業そのものの値段は、音声 1 時間で数十円の単位になりました。議事録ツールに月額を払っているなら、その対価は文字にする作業ではなく、辞書・要約・保管の仕組みに向いているはずです。その仕組みが弱いツールに払い続けると、同じ費用で得られたはずのものを取りこぼします。
月曜からできることがあります。まず、いま払っている議事録ツールの費用と、実際に使っている機能を書き出します。次に、製品名・取引先名・社内略語を一覧にまとめます。どのツールを選んでも、この一覧が精度を左右します。最後に、会議の音声を社外のサービスへ送ってよい範囲を決めます。そのうえで、自社の日本語の会議の録音で候補のツールを試すのが確実です。
要点まとめ
- StudioYebisu 氏は発表当日に自分で試し、強みと弱みの両方を示しました
- MAI-Transcribe-2-Streaming は Artificial Analysis の評価で 38 モデル中 1 位。誤り率 2.5%、話し終えて 0.13 秒です
- 料金は 1 時間 0.54 ドル(約 85 円)で、年末までの導入価格です。評価サイトは高めの価格帯としています
- 評価は英語中心の音声です。日本語の会議での精度は示されていません
- 議事録ツールの差は、社内用語の辞書・要約・保管と閲覧の管理に移ります。まずは用語の一覧づくりからです
情報ソース:
・Microsoft AI「Our first streaming transcription model debuts at no. 1 on Artificial Analysis」(2026 年 10 月 1 日)
・Microsoft AI「MAI-Transcribe-2 is the fastest, most accurate and cheapest speech recognition model in the world」(2026 年 9 月 3 日)
・Artificial Analysis「Speech to Text」評価方法のページ
・Artificial Analysis(@ArtificialAnlys)の X 投稿、2026 年 10 月
・元投稿:StudioYebisu 氏(@studio_yebisu)、2026 年 10 月 2 日
・円換算:欧州中央銀行(ECB)の参照レート(2026-10-05)
AI・最新テックの動きを、毎日 X でお届けしています
X で @SYNCONJP をフォローPR
コメント