Microsoftが静かに、しかし重大な一手を打った。自社開発の基盤AIモデル3本——音声認識のMAI-Transcribe-1、音声合成のMAI-Voice-1、画像生成のMAI-Image-2——をMicrosoft Foundry経由でリリースしたのだ。ことさら派手な発表はなかったが、その内容はOpenAIやGoogleへの明確な対抗宣言と読み取れる。

何が変わったのか——「OEM依存」から「自社開発」へのシフト

Microsoftはこれまで、AI基盤の多くをOpenAIのモデル群に依存してきた。GPT-4を自社サービスに組み込む形で「Copilot」ブランドを展開し、Azure OpenAI Serviceを通じてエンタープライズに提供する——そのビジネスモデルが中心だった。

今回のリリースはそこからの脱却を意味する。自社モデルを持つことで、OpenAIとの契約に縛られない独自のロードマップを歩み始めた形だ。OpenAIとの資本関係が複雑さを増すなか、この動きはタイミングとしても示唆深い。

MAI-Transcribe-1の意義——Whisperを全25言語で上回る

今回の3モデルの中で最も技術的に注目すべきはMAI-Transcribe-1だ。OpenAIが公開しているWhisper-large-v3は、音声認識モデルとして広く使われているデファクトスタンダードの一つだが、MicrosoftはMAI-Transcribe-1がこれを全25評価言語で上回る精度を達成したと主張している。

日本語も対象言語に含まれており、日本語の音声認識精度が改善されることで、日本語コンテンツへの適用可能性が広がる。字幕生成、議事録作成、コールセンター音声解析——実務でのユースケースは枚挙にいとまがない。

MAI-Voice-1は音声合成（TTS）のモデルで、自然な音声生成に特化している。MAI-Image-2は画像生成モデルとして位置付けられ、既存のDALL-Eラインとの棲み分けが今後どうなるかも注目点だ。

Microsoft Foundryとは何か

これらのモデルが提供されるプラットフォーム「Microsoft Foundry」は、Azureを基盤としたAIモデル・ハブだ。従来のAzure AI Studioを発展させたもので、サードパーティを含む多様なモデルをAPIで呼び出せる設計になっている。

自社モデルをFoundryに並べることで、Microsoftは「自社製かサードパーティ製かを問わず、最適なモデルを選んで使えるワンストップ環境」を整えようとしている。開発者がAWSやGoogle CloudではなくAzureに留まる理由を増やす戦略でもある。

実務への影響——日本のエンジニア・IT管理者にとって

音声認識システムの刷新を検討するタイミング

コールセンターや会議録音、テレワーク議事録など、音声をテキスト化する業務はすでに広く普及している。現行システムがWhisperベースやAzure Speech Servicesベースであれば、MAI-Transcribe-1への切り替えによる精度向上の恩恵を受けられる可能性が高い。Azureを使っている組織であれば、追加の認証やインフラ変更なしにFoundry経由で試せる点も実用的だ。

マルチモーダルパイプラインの設計に

音声入力→テキスト変換→画像生成といったマルチモーダルなパイプラインを構築するとき、今後はMicrosoftのファーストパーティモデルだけで一連の処理を完結させられるようになる。ベンダーを跨いだAPIキー管理やレイテンシの問題が軽減できる。

コスト・ガバナンスの観点で

自社モデルの強みの一つはコスト設計の自由度だ。Microsoftは今後、Foundry上の自社モデルに競争力のある価格をつけてくることが予想される。エンタープライズ契約でのコスト予測が立てやすくなる可能性もある。

筆者の見解

率直に言おう。このリリースはMicrosoftが正面から勝負する意志を示したものとして評価したい。

ここ数年のCopilotをめぐる混乱——方向感の見えにくさ、競合との体験差——を見てきた者として、「自社で基盤から作る」という判断には素直に期待感を持った。MicrosoftはAzure、M365、Windows、GitHub——これだけの資産とエンタープライズとの信頼関係を持っている。自社モデルを磨き上げる基盤がない会社ではない。だからこそ、「なぜもっと早くやらなかったのか」という気持ちはあるが、いまからでも遅くない。

もちろん「Whisperより精度が高い」という主張は独立した検証が必要で、現時点では自己申告の域を出ない。実際にベンチマークを回して検証するのが次のステップだ。日本語の認識精度については、ぜひ自分の手で確かめてみてほしい。

一方で気になる点もある。今回のリリースが「競合へのカウンター」として設計されたとすれば、それは正しい方向だ。しかし、Microsoftの本来の強みは「競合を意識した単点勝負」ではなく、「全体をつなぐ統合プラットフォームの総合力」にある。Foundryが単なるモデル置き場に終わらず、Azure全体の知識・データ・ワークフローと有機的に結びつく設計に育っていくか——そこが真価を問う分岐点になると見ている。

Microsoftには、まだやれる力がある。このリリースがその証左の一つとなることを期待したい。

出典: この記事は Microsoft launches 3 new AI models in direct shot at OpenAI and Google の内容をもとに、筆者の見解を加えて独自に執筆したものです。