MicrosoftのMAI-Transcribe-2は、Gemini 3.5 Transcribeが出てわずか8日後にMicrosoftがぶつけてきた形ですが、少なくとも公開されている数字だけなら、Microsoftが一段上です。
比較するとこうなります。
| 項目 | MAI-Transcribe-2 | Gemini 3.5 Transcribe |
|---|---|---|
| 発表 | 2026/9/3 | 2026/8/26 |
| Artificial Analysis WER | 2.0% | 2.6% |
| 処理速度 | 非常に速い | 速い |
| 1時間音声の推論 | 約10秒 | Microsoft測定では約5倍遅い |
| 料金 | $0.10/音声1時間 ※期間限定 | 約$0.30/音声1時間 |
| 対応 | 60言語 | 85+言語・地域 |
| 日本語 | ○ | ○ |
| 話者分離 | ○ | ○ |
| 単語タイムスタンプ | ○ | ○ |
| 専門用語ヒント | ○ | ○・最大1,000語 |
| ノイズ耐性 | かなり重視 | 強い |
| 言語混在 | ○ | ○ |
| リアルタイム | 現状はバッチ性能が前面 | 専用Liveモデルあり |
| 読みやすく整形 | cleanモード | Smart transcriptionが強い |
| 無料枠 | 現時点で明確な無料枠を確認できず | あり |
Artificial Analysisの同一ベンチマークでは、MAI-Transcribe-2がWER 2.0%、Gemini 3.5 Transcribeが2.6%。処理速度もMAIが約410.7倍速相当、Geminiが約89.8倍速相当とされており、Microsoftがいう「Geminiの約5倍高速」という説明ともほぼ整合します。




