「議事録、あとで録音を聞き直してまとめますね」——会議のあと、この一言で“もうひと仕事”が増えていないでしょうか。

2026年10月1日（米国現地時間）、Microsoftが、話し終える前から文字にしていく“リアルタイム文字起こしAI”を公開しました。名前は少し長くて「MAI-Transcribe-2-Streaming」。同時に、AIが自然に話すための音声合成モデルも出しています。

派手な「新しい賢いモデル」の話ではありません。けれど、会議・電話・問い合わせ対応といった“音声の仕事”が多い中小企業にとっては、こちらのほうが効くかもしれないニュースです。今日は、何ができるようになったのかと、日本語で使うときの注意点まで、やさしく整理します。

何が発表されたのか

今回出たのは、大きく2種類です。

① 聞く側：MAI-Transcribe-2-Streaming（文字起こし） Microsoftにとって初の「ストリーミング（リアルタイム）」文字起こしモデルです。これまでの文字起こしは「録音ファイルを、あとでまとめて変換」が基本でした。今回のモデルは、話している最中から、どんどん文字にしていくのが新しいところ。音声を受け取ってから0.1秒ちょっと（100ミリ秒強）で最初の文字を返し、話が進むにつれて中身を直しながら確定していきます。60言語に対応し、どの言語で話しているかも自動で判断します。

② 話す側：MAI-Voice-2.1 / MAI-Voice-2.1-Flash（音声合成） AIに自然な声で話させるモデルです。23言語に対応し、面白いのは1つの声のまま、言語を切り替えても声の個性が崩れないこと。たとえば日本語用に用意した“会社の声”を、英語の案内でもそのまま使える、というイメージです。高速版の「Flash」は、低コスト・低遅延で大量に使う用途向けです。

この2つがそろったことで、Microsoftは「聞く → 考える → 話す」という音声AIの一連の流れを、自前のモデルで組めるようになりました（開発者向けの Microsoft Foundry などで提供）。

なぜ「リアルタイム」が効くのか

「あとで変換」と「その場で文字になる」。たった数十秒〜数分の差に見えますが、仕事の体験はまるで変わります。

たとえば会議。話している横で議事録が育っていくなら、会議が終わった瞬間にはもう要点のメモが手元にある、という世界が近づきます。「あとで録音を聞き直す」という“宿題”そのものが消えていきます。

たとえば電話や問い合わせの一次受け。お客様が話している最中から内容が文字になっていれば、AIがその場で要点を拾い、音声合成（話す側）と組み合わせれば「聞いて・理解して・すぐ返す」応対の土台になります。多言語対応なので、海外からの問い合わせやインバウンド接客にも効く可能性があります。

過去にも「話すAI」の進化は何度かありました（ChatGPTが“会話”になった ── OpenAIの新音声AI「GPT-Live」。電話対応をAIに任せる日は近い？、「少々お待ちを」と言いながら、裏で動く──Googleの音声AI「Gemini 3.8 Live」が“黙って待たせる”を卒業）。それらが「AIと会話する」話だったのに対し、今回は“聞き取り”そのものがリアルタイムになった点が新しいのです。

中小企業にとっての“持ち帰り”は3つ

① まず試すなら「会議の自動議事録」から

いきなり電話応対の自動化を狙うより、リスクの小さい“会議メモ”から始めるのが現実的です。その場で文字になれば、担当者が録音を聞き直す時間がまるごと浮きます。まずは社内会議で試し、精度と使い勝手を自分の目で確かめるのが安全です。

② 音声業務のコストは「下がる方向」にあると知っておく

今回の文字起こしは音声1時間あたり0.54ドル（2026年末までの導入価格）と、個人・中小でも手が届く水準です（※従量課金・ドル建ての“お試し価格”で、恒常価格は別途）。「音声を文字にする」作業は、年々安く・速くなっているという流れは、業務設計を考えるうえで押さえておきたいポイントです。

③ これは“完成アプリ”ではなく“部品”——使うには組み込みが要る

ここが一番大事です。今回出たのは、すぐ使えるアプリではなく、開発者向けのモデル（部品）です。「明日から会議アプリが勝手に賢くなる」わけではなく、既存のツールに組み込む開発が前提になります。中小企業がすぐ恩恵を受けるなら、この技術を使った“完成サービス”が各社から出てくるのを待つのが基本線です。

ただし、過信は禁物（とくに日本語）

便利な話ほど、冷静に線を引いておきましょう。

  • 日本語で“話させる”のは、まだ別の道具が必要。今回の音声合成（話す側）は、日本語は非対応です（文字起こし＝聞く側は対応）。日本語でAIに話させたい場合は、別のモデルと組み合わせる必要があります。
  • 文字起こしの精度は100%ではない。公表された性能評価は英語中心のデータに基づいており、日本語での実力は未知数です。固有名詞・専門用語・方言・騒がしい場所では間違えます。大事な記録は人の確認を残すのが前提です。
  • 機能にも“穴”がある。現時点では「誰が話したか（話者分離）」や発言時刻の自動付与は非対応。きちんとした議事録にするには、その部分を別で補う必要があります。
  • まだ“お試し公開”の段階。仕様・価格・対応範囲は今後変わる可能性があります。

まとめ：競争の軸は「賢さ」から「その場で使えるか」へ

今回のニュースが示すのは、AIの競争が「どのモデルが一番賢いか」だけでなく、「どれだけ速く・安く・その場で仕事に差し込めるか」へ広がっているということです。

中小企業にとっては、最先端を追うより、「録音を聞き直す」「電話のメモを取る」といった、毎日の地味な音声作業が、近いうちに自動で片づく——その準備を今から考えておくことに価値があります。慌てて部品を触る必要はありません。まずは自社の“音声の手間”を棚卸しし、どこが自動化で楽になりそうかを見つけておく。それが、こうしたニュースの一番の使い道です。

あわせて読みたい

参考

本記事は複数の公開情報をもとに作成しています。