AIツール2026年11月更新

MAI-Realtimeとは?Microsoft初の全二重音声モデル|MAI-Voice-2との違い・日本語対応・GPT-Live/Gemini Live比較【2026年11月最新】

公開日: 2026/10/07
更新日: 2026/11/17
MAI-Realtimeとは?Microsoft初の全二重音声モデル|MAI-Voice-2との違い・日本語対応・GPT-Live/Gemini Live比較【2026年11月最新】

この記事のポイント

MAI-Realtimeは、MicrosoftがMAI Playgroundでテストしている全二重の音声対話モデルです。2026年11月17日時点で正式発表はありません。報道で伝えられた17言語(日本語を含む)などの機能、日本語に対応していないMAI-Voice-2 / 2.1との違い、GPT-Live・Gemini 3.8 Liveとの比較をまとめました。

MAI-Realtime(MAI Realtime)は、Microsoft AIが開発中とみられる、聞きながら同時に話せる全二重(フルデュプレックス)の音声対話モデルです。 2026年8月2日に海外メディアのTestingCatalogがMAI Playgroundの非公開の早期アクセス枠で見つけて報じましたが、2026年11月17日時点でもMicrosoftは正式発表をしておらず、一般ユーザーは使えません。

この記事でわかることは次のとおりです。

  • MAI-Realtimeの概要と、確認されていること/まだ確認されていないことの区別
  • 全二重の音声モデルと、従来のターン制・カスケード型(音声認識→LLM→音声合成)との違い
  • プレビュー画面で見つかった機能(17言語・2種類の声・会話中のツール呼び出しなど)
  • MAI-Voice-2 / 2.1(読み上げ専用)やMAI-Transcribe(聞き取り専用)との役割の違いと、MAI-Voice-2 / 2.1が日本語に対応していないという点
  • OpenAIのGPT-Live、GoogleのGemini 3.8 Liveとの比較と、今どれを使えばよいか

想定している読者は、①「MAI-Realtime」という名前をニュースで見て中身を知りたい人、②Copilot・Azure・Microsoft Foundryを使っていて音声エージェントの導入を考えている開発者や情報システム担当者です。

2026年11月時点で押さえておきたい事実は次の3つです。

  1. 今は使えない。 限られたパートナー向けのテスト段階で、MAI Playgroundでも一般ユーザーは選べません。10月の報道でも「限定プレビュー」のままで、料金・提供開始日・APIはどれも公開されていません。
  2. MAI-Voice-2とは別のモデル。 MAI-Voice-2 / 2.1はテキストを読み上げる音声合成(TTS)モデルで、公式の対応言語に日本語はありません。MAI-Realtimeは1つのモデルで「聞く」と「話す」を同時にこなす会話用のモデルで、報道によれば17言語の中に日本語があります。
  3. 今すぐ全二重の音声AIが必要なら、GPT-LiveかGemini 3.8 Liveを使う。 どちらもAPIで一般提供されています。MAI-Realtimeは、Microsoft環境を中心に使っている企業が正式発表を待つ候補という位置づけです。

MAI-Realtimeとは:Microsoft初のネイティブ全二重音声モデル

Microsoft AI(MAI)公式サイトのイメージ画像

出典: Microsoft AI 公式サイト

MAI-Realtimeは、Microsoft AI(ムスタファ・スレイマン氏が率いる部門)が自社で開発しているとみられる、speech-to-speech(音声入力→音声出力)型の音声対話モデルです。テキストを経由せずに音声を直接扱い、ユーザーの声を聞いている間も自分の発話を組み立てる「全二重」方式だと報じられています。

これまでのMAIの音声モデルは、すべて「話すだけ」か「聞くだけ」の一方向でした。MAI-Realtimeが正式に出れば、Microsoftが自社で開発した初めての全二重モデルになります。

現在わかっている基本情報は次のとおりです。

項目

内容

情報の確かさ

名称

MAI-Realtime(「MAI Realtime」表記もあり)

報道ベース。正式版で名前が変わる可能性あり

開発元

Microsoft AI(MAI)

報道ベース(MAI Playground上の表示)

種類

ネイティブspeech-to-speech、全二重の音声対話モデル

報道ベース

発見

2026年8月2日、TestingCatalogが報道

確認済み

見つかった場所

MAI Playground内の非公開エントリ(Early access)

報道ベース

利用できる人

少数のパートナーのみ

報道ベース

状態

限定プレビュー(2026年10月2日のTechTimesの記述)

報道ベース

公式発表

なし(2026年11月17日時点)

microsoft.ai・Microsoft Learn・Foundryカタログに記載なし

モデルカード/ベンチマーク

未公開

—

料金・提供時期・提供地域

未公開

—

注意したいのは、この記事で紹介する仕様はすべて「プレビュー画面に表示されていた内容」を報道機関が伝えたものだという点です。Microsoftが自ら説明した仕様ではありません。

確認されていること/されていないこと

ニュース記事やSNSでは確かな情報と推測が混ざりやすいので、確かさで分けておきます。

確認されていること(報道で一致)

まだ確認されていないこと

MAI Playgroundに「MAI-Realtime」が存在した

正式名称・正式発表の時期

全二重の音声対話モデルとして表示されていた

料金、APIの有無、エンドポイント

17言語(日本語を含む)の言語リスト

日本語の会話の品質(自然さ・敬語・相づち)

声は「Victoria」「Grant」の2種類

応答遅延の数値、ベンチマーク

会話中にWeb検索などのツールを呼び出せる

画像・映像入力への対応

歌や効果音などは生成できない

Copilotの音声機能に入る時期

2026年10月2日付のTechTimesは、MicrosoftのMAIモデル群を紹介する中でMAI-Realtimeを「限定プレビュー中」と書いています。ただし、Microsoft自身のブログやドキュメントでの言及は、11月17日時点でも確認できません。公式の発表として扱うのはまだ早い、というのが現時点の判断です。

MicrosoftがMAIブランドで出してきたほかのモデルについては、MAI-Thinking-1とはやMAI-Cyber-1-Flashとはで解説しています。

全二重音声モデルとは:ターン制・カスケード型との違い

全二重とは、電話のように双方が同時に話せる会話方式のことです。これまでの音声AIの多くは、トランシーバーのように「相手が話し終わってから話す」ターン制でした。MAI-Realtimeは、この全二重を1つのモデルでこなそうとしている点が新しいところです。

音声AIの作り方は、大きく3つに分けられます。

方式

仕組み

長所

短所

カスケード型

音声認識(STT)→ LLM → 音声合成(TTS)を順につなぐ

部品を差し替えやすい。段階ごとに調整できる

3段階を順に通すぶん遅れが積み上がる。割り込みに弱い

ネイティブ・ターン制

1つのモデルが音声を直接扱うが、話し終わりを待ってから応答する

カスケード型より速い

話の途中の割り込みや相づちが苦手

ネイティブ全二重

1つのモデルが聞く処理と話す処理を同時に進める

割り込み・相づち・沈黙に自然に対応できる

設計が難しい。周りの声への誤反応が起きやすい

Microsoftの音声モデルの中での位置づけ

2026年10月1日、MicrosoftはMAI-Transcribe-2-Streaming(ストリーミング音声認識)と、MAI-Voice-2.1 / 2.1-Flash(音声合成)を公開しました。どちらもパブリックプレビューです。これで、Microsoft製のモデルだけでカスケード型の音声エージェントを組めるようになりました。TechTimesによると、聞く処理(約130ms)・LLMで考える処理(約350ms)・話す処理(約150ms)を合わせて、1ターン1秒以内というのがMicrosoftの主張です。

MAI-Realtimeは、この3つの部品をつなぐ構成を1つのモデルにまとめる次の段階と考えられます。カスケード型は部品を差し替えやすく、全二重型は会話が自然になります。どちらにも利点があるため、MAI-Realtimeが出てもカスケード型が要らなくなるわけではありません。

Microsoftの音声モデル

役割

状態(2026年11月17日時点)

MAI-Voice-1

読み上げ(2025年のモデル)

Copilot Daily / Podcastsで使われた

MAI-Transcribe-2 / 2-Streaming

聞く担当(音声→テキスト)

パブリックプレビュー

MAI-Voice-2 / 2-Flash

話す担当(テキスト→音声)

2026年6月のBuild 2026で発表

MAI-Voice-2.1 / 2.1-Flash

話す担当(テキスト→音声)

パブリックプレビュー(10月1日〜)

MAI-Realtime

聞く・話すを同時にこなす会話担当

未発表(限定プレビュー)

なお、Azure SpeechのVoice Live APIでspeech-to-speechを使う場合、会話を生成するモデルは今もOpenAI系です(Microsoft Learnの掲載はgpt-realtime-1.5など)。報道では、MAI-Realtimeが出ればこのOpenAIへの依存を減らせる、という見方がされています。OpenAIのリアルタイム音声APIの系統については、gpt-realtime-2とはで詳しく扱っています。

MAI-Realtimeでできること(プレビュー画面で見つかった機能)

報道で伝えられた主な機能は、全二重の会話、17言語への対応、2種類の声、会話中のツール呼び出し、ターン検出(話し終わりの判定)方式の切り替え、デバッグパネルの6つです。どれもTestingCatalogが2026年8月2日に報じた内容で、ほかの海外メディアも同じ内容を引用しています。

1. 全二重の会話と割り込みへの対応

ユーザーの話を聞きながら応答を組み立て、話の途中で割り込まれても(バージイン)きれいに対応できたと報告されています。今のCopilotの音声は「聞き終わってから話す」方式とされており、ここが一番大きな違いです。

2. 17言語対応と自動言語検出

プレビュー画面には、次の17言語が表示されていました。

英語、ドイツ語、スペイン語、フランス語、イタリア語、ポルトガル語、日本語、韓国語、中国語、オランダ語、ヒンディー語、インドネシア語、アラビア語、ロシア語、トルコ語、ベトナム語、タイ語

言語は指定することも自動検出に任せることもでき、会話の途中で言語を変えてもついてくると報じられています。AIBase(2026年8月4日)は「16言語」と書いており、報道によって数が分かれますが、一覧をすべて載せているのはTestingCatalogの17言語です。どちらの報道でも日本語は含まれています。

ただし、言語リストに日本語があることと、日本語の会話が自然であることは別の話です。日本語の品質を検証したレポートは、11月17日時点で見当たりません。

3. 2種類の声(Victoria / Grant)

選べる声は「Victoria」と「Grant」の2種類です。TestingCatalogは今のCopilotの音声モードより自然だと評価していますが、これは同メディアの主観です。MAI-Voice-2.1にも「Grant」という既製の声がありますが、同じ系統の声かどうかは確認できていません。

4. 会話を止めずにツールを呼び出す

Web検索などのツールを、会話を中断せずに実行できると報じられています。「調べるので少々お待ちください」と黙り込まずに会話を続けられるので、音声エージェントとして使うときには大事な機能です。

5. ターン検出の2つのモード

相手が話し終えたかどうかを判定する仕組み(エンドポインティング)は、2つのモードから選べたとされています。

モード

仕組み(報道ベース)

Switchboardモード

「MAI-Ears」というエンドポインターを、本文中の制御トークンで動かす

Deterministicモード

無音の長さによる判定と、Whisperベースの意味的な判定を組み合わせる

実際に使った報告では、2つのモードの差は小さかったとされています。「MAI-Ears」はこの報道以外に情報がなく、内部の部品の名前と考えるのが妥当です。

6. デバッグパネル

応答の遅れ、モデルの思考(thoughts)、処理の段階をリアルタイムで表示するデバッグ画面もあったと報じられています。会話サンプルを共有する機能も、アクセスが広がればPlaygroundの利用者向けに出る見込みとされています。

MAI-Realtimeの弱み・できないこと

今の最大の弱みは「使えないこと」と「判断材料になる数値がないこと」です。報道でわかっている制約は次のとおりです。

  • 一般公開されていない: 限られたパートナーのみ。MAI Playgroundでも一般ユーザーは選べない
  • APIがない: Microsoft Foundry、Azure Speech、Voice Liveのいずれにも載っていない(2026年11月17日時点)
  • 性能の数値が非公開: 遅延のミリ秒値やベンチマークスコアなどの公式データがない
  • 会話専用: 歌や効果音・BGMなど、話し声以外の音は生成できない
  • 声の種類が少ない: プレビューの時点では2種類だけ。声のカスタマイズやクローンに対応するかも不明
  • 映像入力に対応するか不明: Gemini 3.8 Liveはカメラ映像のリアルタイム入力に対応しているが、MAI-Realtimeについては情報がない

料金と提供状況:いつ・どこで使える?

Microsoft Learnのロゴ画像(Azure・Microsoft Foundryのドキュメント)

出典: Microsoft Learn

MAI-Realtimeの料金は公開されていません。 「無料で使える」「月額〇円」といった情報にはどれも裏付けがないので注意してください。8月の発見から3か月以上たちますが、11月17日時点でGA(一般提供)・料金・APIの公開を伝える情報は見つかっていません。

日本から試せるか

今は試せません。理由は2つあります。

  1. MAI-Realtimeは、Playgroundで一般ユーザーが選べない状態になっている
  2. MAI Playground自体が、報道によるとアメリカでしか使えない(提供国は公式のヘルプで直接確認できていない)

なお、MAI Playgroundは公式に「個人の非商用利用のみ」とされ、18歳以上であることの確認も必要です。仮に使えるようになっても、業務での検証には向きません。

正式版はどこで提供されそうか

TestingCatalogは、開発者向けにはMicrosoft Foundry、一般向けにはCopilotの音声機能が有力だと伝えています。時期は示されていません。

ここからは推測です。10月1日に公開されたMAI-Transcribe-2-Streamingは、OpenAI Realtime APIと互換性のあるWebSocket API(wss://{resource}.services.ai.azure.com/mai/v1/realtime)で提供されています。MAI-RealtimeがAPIになる場合も、同じ系統のエンドポイントになる可能性があります。Voice Live APIの生成モデルとして選べるようになるかどうかも、まだわかりません。

Copilotは2026年9月25日に大きく刷新されたばかりで、音声機能の今後もこの流れの中で決まりそうです。刷新の内容は新しいMicrosoft Copilotの解説を参照してください。

参考:周辺のMAI音声モデルの公式価格

MAI-Realtimeの価格を予想する材料として、すでに公開されている兄弟モデルの価格をまとめます(2026年10月1日の発表時点)。

モデル

種類

公式価格

遅延(公式値)

状態

MAI-Voice-2.1

音声合成(TTS)

100万文字あたり22ドル

推論 約550ms

パブリックプレビュー

MAI-Voice-2.1-Flash

低遅延の音声合成

100万文字あたり15ドル

推論 約45ms

パブリックプレビュー

MAI-Transcribe-2-Streaming

ストリーミング音声認識

音声1時間あたり0.54ドル(2026年末までの導入価格)

最初の部分結果まで100ms強

パブリックプレビュー

MAI-Realtime

全二重の音声対話

未公開

未公開

未発表

MAI-Transcribe-2-Streamingの0.54ドルは2026年末までの導入価格なので、2027年以降の料金は公式ページで確かめてください。

MAI-Voice-2(2.1)との違い

Microsoft AIによるMAI-Voice-2 Flash発表時のイメージイラスト

出典: Microsoft AI「Introducing MAI-Image-2.5-Pro and MAI-Voice-2-Flash」

MAI-Voice-2 / 2.1は「テキストを読み上げる」モデルで、MAI-Realtimeは「音声で会話する」モデルです。 名前は似ていますが、役割はまったく違います。MAI-Voice-2は2026年6月のBuild 2026で発表され、10月1日に後継のMAI-Voice-2.1が出ました。

比較ポイント

MAI-Realtime

MAI-Voice-2 / 2.1

種類

音声対話(speech-to-speech、全二重)

音声合成(TTS、テキスト→音声)

入力

音声

テキスト(SSML)。声を指定するための参照音声も可

会話

聞きながら話す。割り込みに対応

会話の機能はない(読み上げのみ)

ツール呼び出し

Web検索などを会話中に実行

なし

対応言語

17言語(日本語を含む・報道ベース)・自動検出

MAI-Voice-2: 15言語・18ロケール/MAI-Voice-2.1: 23言語・26ロケール(どちらも日本語なし・公式)

声

Victoria / Grantの2種類

既製の声が多数。5〜60秒(推奨)の参照音声から声を作るボイスプロンプトにも対応(クローンは限定アクセス)

料金

未公開

100万文字あたり22ドル(2.1-Flashは15ドル)

提供状況

未発表(限定プレビュー)

パブリックプレビュー(Foundry、Azure Speech、MAI Playgroundなど)

主な用途

音声エージェント、Copilotの音声会話

ナレーション、オーディオブック、自動音声案内の読み上げ

日本語対応の確認ポイント

日本語で使う予定があるなら、ここは見落とさないでください。MAIブランドの音声モデルで「日本語を話せる」と言えるのは、今のところ報道ベースのMAI-Realtimeだけです。

  • MAI-Voice-2(2026年6月): 公式発表の言語一覧は、英語(米・豪)、イタリア語、フランス語、ドイツ語、ヒンディー語、スペイン語(西・墨)、ポルトガル語(伯・葡)、韓国語、中国語(簡体)、トルコ語、ロシア語、タイ語、オランダ語、ルーマニア語、ハンガリー語の15言語。日本語はない
  • MAI-Voice-2.1(2026年10月): microsoft.aiの公式モデルページにある23言語の一覧にも、Microsoft Learnの既製の声の一覧(ja-JP)にも、日本語はない(2026年11月17日に再確認)。提供リージョンにはJapan Eastがあるため、日本のリージョンから呼び出すことはできるが、日本語の声はない
  • MAI-Realtime: プレビュー画面の17言語に日本語が含まれている(報道ベース)

「Microsoftの最新の音声モデルなら日本語は当然使える」と考えるのは危険です。採用する前に、使うモデルとバージョンごとに公式の言語一覧を確かめてください。

MAIの部品だけでは日本語の音声エージェントを組めない

今すぐMAIの部品で音声エージェントを組む場合、MAI-Transcribe-2-Streaming(聞く)+AzureのLLM(考える)+MAI-Voice-2.1-Flash(話す)という構成になります。ところが、話す担当のMAI-Voice-2.1が日本語に対応していないため、日本語の会話はMAIの部品だけでは組めません。

日本語の声が必要なら、AzureのMAI以外の既存のニューラル音声や、他社のTTSを組み合わせることになります。組み合わせによって遅延や声の質が変わるので、導入前に試作して確かめておくのが安全です。

読み上げ用途でほかのTTSも比べたい場合は、Gemini 3.8 Flash TTSとはやElevenLabs v3とはが参考になります。

依頼範囲と費用の目安を30分で整理します

初回相談は無料・30分(オンライン)。要件が決まっていなくても大丈夫です。改修100万円〜・PoC300万円〜(税別)

GPT-Live・Gemini 3.8 Liveとの比較

Google AI StudioのGemini API紹介画像

出典: Google AI for Developers(Gemini Live API)

今実際に使える全二重系の音声AIは、OpenAIのGPT-LiveとGoogleのGemini 3.8 Liveです。 MAI-Realtimeには性能の数値がないので、優劣はつけられません。比べられるのは提供状況と機能の範囲です。

比較ポイント

MAI-Realtime(Microsoft)

GPT-Live(OpenAI)

Gemini 3.8 Live(Google)

提供状況

未発表・限定プレビュー

ChatGPTで提供中(2026年7月8日〜)。API gpt-live-1 は2026年9月10日に一般提供

API・AI Studioで一般提供(2026年9月15日の発表時点から)。Gemini EnterpriseのLive Avatar付きは9月24日に一般提供(報道)

方式

ネイティブ全二重のspeech-to-speech

全二重。深い推論は裏のモデルに非同期で任せる

ネイティブ音声。非同期の関数呼び出し、Extended Thinking版あり

一般向けの入口

なし(将来Copilotに入る見込み・推測)

ChatGPTの音声会話。10月15日からGPT-Live-1.1、無料・Go向けは1.1 Quip

Geminiアプリ、Search Live、Workspace

日本語

17言語に含まれる(報道ベース)

対応。10月15日にChatGPTで日本語の新しい声、10月16日にAPIで日本語を含む5言語の声が追加(報道)

対応。言語数は報道で97言語、Google CloudのLive APIドキュメントでは24言語と記載が分かれる

ツール・検索

会話中にWeb検索など

裏のモデル経由、またはクライアント側で実行

バックグラウンドでの関数呼び出し・検索

映像入力

不明

API は非対応

対応(音声+映像のセッションは2分まで)

声

2種類

既製の声+テキストの指示で作る独自の声

多数

出力音声の透かし

不明

あり(報道)

SynthID

API料金

未公開

1分0.05ドル(秒単位の課金。裏のモデルとツールは別料金。報道ベース)

音声入力100万トークン3ドル(1分約0.005ドル)、音声出力100万トークン12ドル(1分約0.018ドル)、無料枠あり(二次情報)

独立したベンチマーク

なし

Artificial Analysis S2S Index 81.5(Astra構成)

同 76.0(Extended Thinkingは82.6)

※料金は2026年11月17日時点で確認できた情報です。GPT-Live-1のAPI料金は複数の報道で一致していますが、OpenAIの公式ページは直接確認できていません。Gemini 3.8 Liveの料金も二次情報(DataCamp)によるものです。導入前に各社の公式ページで最新の金額を確かめてください。

ChatGPTでは、旧来のAdvanced Voice / Standard Voiceを2026年12月11日に終了すると告知されたと報じられています。ChatGPTの音声会話は、今後GPT-Liveに一本化される流れです。

選び分けの考え方

  • 個人がスマホで全二重の音声会話を試したい → ChatGPTのGPT-Live、またはGeminiアプリ。詳しくはGPT-Liveとは
  • 多言語対応や、カメラ映像を見ながらの会話が必要 → Gemini 3.8 Live。詳しくはGemini 3.8 Liveとは
  • Azure・Microsoft 365中心の企業で、データの扱いや調達をMicrosoftにまとめたい → MAI-Realtimeの正式発表を待つ価値あり。それまではMAI-Transcribe-2-StreamingとLLMに、日本語に対応したTTSを組み合わせたカスケード型で検証を進める

リアルタイム翻訳のような用途なら、Gemini 3.5 Live Translateとはも検討してください。

用途別:今どの音声AIを使うべきか

MAI-Realtimeを待つか、別のサービスで今すぐ始めるかは、用途と社内の環境で決まります。

用途・状況

今のおすすめ

MAI-Realtimeを待つ価値

個人の語学練習・雑談

ChatGPT(GPT-Live)、Geminiアプリ

低い(Copilotに入る時期が未定)

コールセンターの一次対応(日本語)

実績のあるサービスで検証。全二重型ならGPT-Live-1 API、Gemini 3.8 Live

中くらい(日本語の品質が検証されてから)

Azure上で音声エージェントを作りたい

MAI-Transcribe-2-Streaming+LLM+日本語に対応したTTS(MAI-Voice-2.1は日本語非対応)

高い

映像を見ながら案内する(現場の作業支援など)

Gemini 3.8 Live

低い(映像入力への対応が不明)

英語などのナレーション・読み上げだけ

MAI-Voice-2.1、ほかのTTS

関係なし(TTSで足りる)

日本語のナレーション・読み上げだけ

日本語に対応したほかのTTS

関係なし

コールセンターでの音声AIの活用全般については、コールセンターのAI活用にまとめています。

注意点・セキュリティ

MAI-Realtime専用のセキュリティ文書はまだ公開されていません。ここでは、関連する公式情報と、全二重の音声エージェントに共通するリスクを整理します。

プレビュー版の条件

MAIの音声系モデルは、まずパブリックプレビューとして公開されています。Microsoft LearnのMAI-Voice-2.1やMAI-Transcribe-2-Streamingのページには、SLA(稼働保証)がないこと、本番環境での利用は推奨しないことが書かれ、Azure Previewsの補足利用規約が適用されます。MAI-Realtimeも、最初は同じ条件で公開される可能性が高いと考えられます(推測)。

ボイスクローンと同意のガードレール

MAI-Voiceの即時ボイスクローンは限定アクセスです。Azure AI Custom Neural VoiceのLimited Access Reviewに申請し、本人の同意音声をアップロードする必要があり、許可された声しか合成できません(Microsoft Learn)。MAI-Realtimeの正式版にも同じような制限がかかると予想されますが、まだ確認されていません。MAIモデル全体の行動規範については、Microsoft Humanist AI行動規範で解説しています。

OpenAIとGoogleは、生成した音声に電子透かし(GoogleはSynthID)を入れています。MicrosoftがMAI-Realtimeの音声に透かしを入れるかどうかは、まだわかりません。

全二重の音声エージェントに共通するリスク

  • なりすまし・ディープフェイク: 自然な声で会話できるほど、詐欺電話などに悪用されやすくなる
  • ツール呼び出しを通じた間接プロンプトインジェクション: 会話中にWeb検索をする設計では、検索結果に仕込まれた指示にAIが従ってしまうおそれがある。Copilot系で実際に起きた事例はCopilot Coworkのファイル流出問題を参照
  • 通話内容と個人情報の扱い: 録音の保存先、保存期間、学習に使われるかどうかを契約前に確かめる
  • 誤った割り込み・誤った起動: 全二重のモデルはいつも音声を聞いているので、周りの会話やテレビの音に反応することがある
  • ツールの権限: 会話の流れで予約や決済などを実行させる場合、AIに渡す権限の範囲を絞っておく

業務で導入する前に確認すること

  • 対応言語に日本語が含まれるか(モデルとバージョンごとに確かめる)
  • データを処理・保存するリージョン
  • 録音データを学習に使うかどうかと、オプトアウトの方法
  • AIの声であることを相手に伝える運用(案内メッセージなど)
  • 誤応答があったときに人間の担当者へ引き継ぐ手順

音声エージェントを自社の電話システムやCRMにつなぐ場合は、モデルの料金に加えて、つなぎ込みと運用の開発費もかかります。費用の目安はAI開発の費用相場で整理しています。

こんな人におすすめ/おすすめしない人

MAI-Realtimeの動向を追うのがおすすめな人

  • Azure、Microsoft Foundry、Microsoft 365を中心に業務システムを組んでいる企業の開発者・情報システム担当者
  • データの扱いや調達の窓口をMicrosoftにまとめたい企業
  • Voice Live APIでOpenAI系のモデルを使っていて、Microsoft自社モデルへの切り替えを考えている企業
  • Copilotの音声機能の進化を待っている、Copilotを日常的に使う人
  • 音声エージェントの技術動向(カスケード型からネイティブ全二重型への移行)を追っている人

MAI-Realtimeを待たなくてよい人

  • 今すぐ全二重の音声AIを業務で使いたい人 → GPT-Live-1 APIかGemini 3.8 Liveで始められる
  • 日本語の会話品質がすぐに必要な人(MAI-Realtimeの日本語は未検証)
  • カメラ映像を使った案内など、映像入力が欠かせない人
  • ナレーションや読み上げだけが目的の人(英語ならMAI-Voice-2.1、日本語ならほかのTTSで足りる)

Microsoftが自社モデルへの切り替えを進めている大きな流れは、MicrosoftのMAIモデルへの切り替えで整理しています。

よくある質問(FAQ)

Q. MAI-Realtimeは無料で使えますか?

料金は公開されておらず、そもそも一般ユーザーは使えない段階です。MAI Playground自体は無料で使えますが、報道によるとアメリカ限定で、公式には個人の非商用利用に限られています。

Q. 今のCopilotの音声会話は、もうMAI-Realtimeで動いていますか?

そうした公式発表はありません。TestingCatalogはMAI-Realtimeを今のCopilotの音声より自然だと評価しており、まだ使われていないとみられます。将来Copilotに入るという見方も、報道での予想にとどまります。

Q. MAI-RealtimeはAPIで使えますか?

2026年11月17日時点では使えません。Microsoft Foundryのモデルカタログ、Azure Speech、Voice Liveのいずれにも載っていません。

Q. Azureで今すぐ日本語の音声エージェントを作れますか?

作れますが、MAIの部品だけでは組めません。会話の生成を含めて一括で任せるなら、Voice Live APIでOpenAI系のリアルタイムモデルを使う方法があります。自分で部品を組むなら、MAI-Transcribe-2-StreamingとLLMに、日本語に対応したAzureの既存のニューラル音声などを組み合わせます。

Q. MAI-Realtimeの日本語は自然ですか?

わかっていません。プレビュー画面の対応言語に日本語が表示されていただけで、日本語の会話を検証した報告はまだありません。敬語や相づちの自然さは、正式公開後に確かめる必要があります。

Q. 「MAI-Realtime」という名前で正式リリースされますか?

確定していません。テスト段階の名前なので、正式発表のときに変わる可能性があります。

まとめ

  • MAI-Realtimeは、Microsoft AIが開発中とみられる全二重のspeech-to-speech音声対話モデル。2026年8月にMAI Playgroundで見つかり、10月の報道でも限定プレビューのまま。11月17日時点で正式発表はない
  • プレビュー画面では、17言語(日本語を含む)、2種類の声、会話中のツール呼び出し、2つのターン検出モードが確認された
  • 料金・API・提供時期・性能の数値はどれも未公開。日本から試すこともできない
  • MAI-Voice-2 / 2.1は読み上げ専用のTTSで、役割が違う。どちらも公式の言語一覧に日本語がないため、MAIの部品だけでは日本語の音声エージェントを組めない
  • 今すぐ使うならGPT-LiveかGemini 3.8 Live。Microsoft環境が中心の企業は、MAI-Transcribe-2-Streamingと日本語に対応したTTSで検証しながら正式発表を待つのが現実的

MAI-Realtimeは、正式発表の時期によって情報が大きく変わるモデルです。料金や提供地域が公開されたら、Microsoft AIの公式発表を確認してください。

依頼範囲と費用の目安を30分で整理します

この記事の著者

AI革命

AI革命

編集部

AI革命株式会社の編集部です。最新のAI技術動向から実践的な導入事例まで、企業のデジタル変革に役立つ情報をお届けしています。豊富な経験と専門知識を活かし、読者の皆様にとって価値のあるコンテンツを制作しています。

AI・システム開発は、開始価格を公開しています

既存システムの改修 100万円〜・PoC 300万円〜(税別)。相談内容を送っていただくと、2営業日以内に担当者からご返信します