はじめに
MicrosoftのAI研究部門「Microsoft AI」が2026年4月2日、テキスト・音声・画像の3領域をカバーする独自基盤モデル群を発表しました。本稿では、TechCrunchが同日報じた内容をもとに、各モデルの機能・価格・提供体制、そしてOpenAIとの関係性について解説します。
参考記事
- タイトル: Microsoft takes on AI rivals with three new foundational models
- 著者: Rebecca Szkutak
- 発行元: TechCrunch
- 発行日: 2026年4月2日
- URL: https://techcrunch.com/2026/04/02/microsoft-takes-on-ai-rivals-with-three-new-foundational-models/
要点
- MicrosoftのAI研究部門は2026年4月2日、音声認識・音声生成・画像生成に特化した3つの独自基盤モデル「MAI-Transcribe-1」「MAI-Voice-1」「MAI-Image-2」を発表した
- MAI-Transcribe-1は25言語の音声をテキスト化し、既存サービス「Azure Fast」の2.5倍の処理速度を持つ
- MAI-Voice-1は1秒で60秒分の音声を生成でき、ユーザー独自のカスタムボイス作成にも対応する
- 3モデルはいずれもMicrosoft Foundryで提供され、価格面でGoogleやOpenAIの競合モデルより安価であることを差別化要因としている
- 開発はMustafa Suleyman氏が率いる「MAI Superintelligenceチーム」が担い、今後もFoundryや各Microsoft製品への追加モデル投入が予告されている
詳細解説
3つのMAIモデルの機能
MicrosoftのAI研究部門は今回、それぞれ異なる生成領域をカバーする3つの基盤モデルを発表しました。
MAI-Transcribe-1は、音声をテキストに変換する文字起こしモデルです。TechCrunchによれば、25言語に対応しており、同社が従来から提供してきた「Azure Fast」と比較して2.5倍の処理速度を実現しています。音声認識（ASR: Automatic Speech Recognition）は議事録の自動生成やコールセンター分析など幅広い用途で活用されており、処理速度の向上は実運用上の利便性に直結すると考えられます。
MAI-Voice-1は音声生成モデルです。Microsoftの発表によれば、1秒で60秒分の音声を生成できるほか、ユーザーが独自のカスタムボイスを作成する機能も備えています。カスタムボイスは、ブランドのナレーション制作やアクセシビリティ向上への応用が期待できます。
MAI-Image-2は画像・映像生成モデルです。同モデルは2026年3月19日に、大規模言語モデルのテスト環境である「MAI Playground」で先行公開されていたもので、今回の発表によってMicrosoft Foundryでも利用可能になりました。
価格と提供体制
3モデルの価格についてはTechCrunchが具体的な数値を報じています。MAI-Transcribe-1は1時間あたり0.36ドルから、MAI-Voice-1は100万文字あたり22ドルから、MAI-Image-2はテキスト入力100万トークンあたり5ドル・画像出力100万トークンあたり33ドルからとなっています。
提供先となるMicrosoft Foundryは、開発者向けのAIモデル開発・展開基盤です。今回の3モデルのうち、MAI-Transcribe-1とMAI-Voice-1はFoundryに加えてMAI Playgroundでも利用可能です。MicrosoftはGoogleやOpenAIのモデルよりも安価であることを明示的に訴求しており、混雑が続くLLM市場においてコスト優位性を競争軸の一つとして打ち出しています。企業での導入判断においてコストは重要な要素であり、この訴求は中小規模での活用を検討する場面で特に意味を持つと思います。
開発体制：MAI Superintelligenceチーム
これらのモデルを開発したのは、2025年11月に設立されたMicrosoftの「MAI Superintelligenceチーム」です。同チームはMicrosoft AIのCEOであるMustafa Suleyman氏が率いています。Suleyman氏はもともとGoogle DeepMindの共同創業者の一人で、2023年にMicrosoftへ移籍した人物です。
同氏はブログポストで「Microsoft AIでは『Humanist AI（人間中心のAI）』を構築しています。人間を中心に置き、実際のコミュニケーションのあり方に最適化し、実用的な用途に向けてトレーニングする、という明確な視点でモデルを開発しています」と述べています。また、FoundryおよびMicrosoft製品・サービスへのモデル追加が続く予定であることも予告されています。
OpenAIとの関係：競合と協業の並立
MicrosoftはOpenAIに130億ドル超を投資しており、同社のモデルを自社製品に組み込む複数年にわたるパートナーシップを継続しています。今回の独自モデル発表について、Suleyman氏はVentureBeatのインタビューでOpenAIとの協業関係を改めて肯定しつつも、The Vergeの取材に対しては、パートナーシップの最近の再交渉によって超知能研究を本格的に追求できるようになったと説明したと報じられています。
Microsoftはチップ戦略においても同様のアプローチをとっており、自社開発チップを持ちながらNVIDIAやAMDからの調達も継続しています。自社開発と外部調達を並行させるこの姿勢は、特定パートナーへの依存度を抑えながら技術競争力を高めることを意識したものと考えられます。
まとめ
Microsoftは今回、音声認識・音声生成・画像生成の3領域をカバーする独自基盤モデル群を公開し、価格競争力を前面に出してGoogleやOpenAIと競合する姿勢を明確にしました。OpenAIとの協業関係を維持しながら独自路線を強化するMicrosoftの動向は、今後のAI市場の競争構造を考える上で注目に値すると思います。
