Microsoftは着実に自社の音声AIスタックを構築しており、その最新コンポーネントが現在内部プレビュー中の双方向音声モデル「MAI-Realtime」である。同社は、このモデルが複数の言語にわたってより自然なインタラクションを提供し、より広範なツールエコシステムと統合されると述べている。

従来の音声システムがトランシーバーのように発話と聴取を交互に行うのに対し、双方向モデルは両方を同時に処理する。MAI-Realtimeは両方向の音声をリアルタイムで処理し、硬直化的・機械的なものではなく、会話的なやり取りを実現する。この全二重アプローチは、人間の会話が実際に機能する仕組みを再現するものである——人は途中で割り込み、重ねて話し、文の途中で応答する——そして長らく、レイテンシとターンテイキングのロジックによってやり取りが機械的に感じられていた音声AIにおける技術的フロンティアとなっていた。

MAI-Realtimeは現在内部プレビュー段階にあり、Microsoftはまだ一般向けテストを開放しておらず、パフォーマンスベンチマークも公開していない。同社が確認しているのは、このモデルがより自然な操作性を持ち、複数言語をサポートし、既存のツールと連携することを目的としているという点である。Microsoftのエコシステムにおいて、これはCopilotおよび同社の生産性向上アプリケーションスイートとの統合を示唆している可能性が高い。

MAI-Realtimeは単独で存在するわけではない。MicrosoftはMAI（Microsoft AI）の傘下で完全な音声AIスタックの構築を進めてきた。同社の表現力豊かなテキスト読み上げモデルであるMAI-Voice-1は、2025年8月に初めてプレビュー公開され、2026年4月に拡張された。このモデルは、単一のGPUを使用して1秒未満で1分間のオーディオを生成でき、すでに複数のMicrosoftアプリケーションのCopilot機能に統合されている。これと並行して、Microsoftは25言語をサポートする音声認識モデル「MAI-Transcribe-1」を発表した。

この3つのモデルを合わせると、垂直統合された音声AIスタックが形成される。MAI-Transcribe-1が聴取を担い、MAI-Voice-1が発話を担い、MAI-Realtimeが完全な双方向会話を可能にする——すべてがMicrosoftによってエンドツーエンドで所有されている。Teams、Office、Windows全体で数億人のエンタープライズユーザーを抱えるMicrosoftにとって、このスタックを社内で統制することは、サードパーティプロバイダーのリリースサイクルや価格設定に依存することなく、Teamsでのリアルタイムの会議転記・要約から音声主導のドキュメント作成に至るまで、音声ベースのAIインタラクションをワークフローに深く組み込めることを意味する。

この独自アプローチには明確な戦略的意味合いがある。MicrosoftがOpenAIの音声機能に依存する場合、推論コストを支払い、OpenAIの価格決定に従い、製品ロードマップをコントロールできない。自社モデルを構築することで、その構図を完全に変えることができる。

競争環境は活発である。OpenAIは2024年後半に自社のリアルタイム音声APIをリリースし、Googleは音声処理を含むGeminiのマルチモーダル機能を強化してきた。AmazonもAlexaおよびBedrockプラットフォームを通じて音声AIに多額の投資を行っている。これらの取り組みに共通するのは、音声を単なる機能としてではなく、AIの主要なインターフェース——ユーザーがモデルと相互作用する基本的な手段——として確立しようとする推進力である。Microsoftの動きは、パートナーの技術をライセンスするのではなく、自社の技術でこの軸において競争する意思を示すものだ。

MAI-Realtimeが最終的にCopilot for Microsoft 365に組み込まれれば、Word、Excel、Teams、Outlook全体のエンタープライズユーザーにリーチすることになる。これらのツールにおけるリアルタイム音声インタラクションは、タイピングによるプロンプトを煩わしく感じるユーザーにとってのハードルを下げる可能性があるが、Microsoftは具体的な製品計画を確認していない。

今後の注目ポイントとして、MAI-Realtimeが内部プレビューから一般のデベロッパー向けアクセスへ移行するかどうか、Copilotの既存の音声機能にどれだけ迅速に統合されるか、そしてMicrosoftがOpenAIのリアルタイム音声APIとのベンチマーク比較の公開を始めるかどうかが挙げられる。