Copilotの文字起こしが、自前モデルで激安になった。
先月まで、Copilotの文字起こしは他社の汎用モデル任せでコストも速度も一長一短だった。今回追加された自社製「MAI-Transcribe-2」により、議事録や字幕を大量に処理するユーザーほど恩恵の大きい値下げが実現した。
これまでCopilotは、
「間借り」で文字起こしをしていた
先月までのMicrosoft Copilotには文字起こし専用の自社モデルがなく、会議の録音やライブキャプションの処理は他社の汎用音声モデルに頼っていた。汎用モデルは幅広いタスクに対応できる一方、文字起こしに特化したチューニングがされていないため、コストと速度のどちらかを妥協せざるを得なかった。
今回Microsoftは、Copilotに文字起こし専用モデル「MAI-Transcribe-2」を追加した。名称が示す通り、これは前身の「MAI-Transcribe-1」からの後継モデルであり、Microsoft自身が開発した音声特化モデルという位置づけになる。Copilot公式サイトによれば、既存のOpenAIやGoogle系の文字起こしモデルより安く、かつ高速に動作するとされている。
会議の議事録作成やライブ配信の字幕付けは、録音時間に比例して処理コストが積み上がる典型的な「量が出るほど単価差が効いてくる」領域だ。汎用モデルへの間借りをやめて専用モデルに切り替えるという判断は、この種のワークロードを大量に抱える企業ほど採算上のインパクトが大きい。詳しい料金体系はMicrosoft Copilot Blogで公開されている。
他社モデルと比べると、
どれだけ安いか
Artificial Analysisの音声書き起こしベンチマークによる、1時間あたりの処理コスト比較です。
主要な文字起こしモデルとの比較
| モデル | 1時間あたりの目安コスト |
|---|---|
| MAI-Transcribe-2 | 最も安価な水準 |
| OpenAI系文字起こしモデル | MAI比で高め |
| Google系文字起こしモデル | MAI比でやや高め |
「間借り」をやめた分だけ、値段は下がる。
誰に、どう効くか
エンジニア
Copilot APIを経由して自社アプリに文字起こしを組み込んでいる場合、モデル指定を切り替えるだけでコスト削減が見込める。移行前に精度・レイテンシの回帰確認は必要で、特に専門用語が多い業界用途では誤認識率の変化を重点的に確認したい。
ビジネス・バックオフィス
議事録や字幕を日常的に大量処理する部署ほど恩恵が大きい。月に数回しか使わない利用者にとっては、コスト差はほとんど気づかないレベルにとどまる。大量処理を担う部署であれば、年間契約の見直し時にこの単価差を交渉材料として持ち出す価値もあるだろう。
現在の文字起こしコストを棚卸しする
他社モデル利用分の月間コストを算出し、MAI-Transcribe-2への切り替え余地を確認する。
精度をサンプルで確認する
専門用語や複数話者を含む録音でMAI-Transcribe-2の精度を試し、既存モデルとの差を体感してから本移行する。
楽観だけでは語れない
「最大4割安」という比較は、Artificial AnalysisによるベンチマークとMicrosoft側の発表を組み合わせたものであり、AI Navigate編集部が独自に再計測した数値ではない。実際のコスト差は、対象言語や録音品質、話者数によって変動する可能性がある。
また、MAI-Transcribe-2はCopilotエコシステム内での利用が前提であり、他社プラットフォームから単体APIとして呼び出せるかどうかは現時点で明確にされていない。すでに他社の文字起こしAPIを直接組み込んでいる場合、乗り換えにはCopilot経由への統合作業が別途必要になる点は見落とせない。また、前身であるMAI-Transcribe-1からどの程度の期間で置き換えが完了するのか、旧モデルの提供終了時期についても現時点でMicrosoftから明確なアナウンスは出ていない。