MAI（Microsoft AI）は、Microsoft が自社で開発する基盤モデル群です。Azure の Microsoft Foundry（旧 Azure AI Foundry）でホスト・課金され、Azure-first で配布されます。OpenAI モデル（Azure OpenAI 経由）とは別に、Microsoft 自身が開発・提供する基盤モデルファミリーとして位置づけられます。具体的な価格は下記の料金表の通りで、エンタープライズ向けのコスト・ライセンス・データ主権の選択肢を広げることが狙いです。
最新モデル（2026年10月）
microsoft.ai 公式ブログで確認できる直近の発表（2026-10-02分を含む）。いずれも Microsoft Foundry / MAI Playground などで試せます。
🎧 MAI-Transcribe-2-Streaming（ストリーミング音声認識）— 2026-10-02
MAI 初のストリーミング音声認識モデル。話し終わりを待たずに、音声を受け取ってから約100msで partial（話している途中に出てくる暫定の文字起こし）を返します。60言語に対応し、言語の自動・継続的な検出も可能。入手経路は Microsoft Foundry / MAI Playground / OpenRouter / Vercel / Azure Voice Live（LiveKit も「coming soon」）。同じ発表で音声生成の MAI-Voice-2.1 / 2.1-Flash（23言語・26ロケール）も出ています。価格は下の「参考価格」の表にまとめました。なお「確認済み料金表」とは、Azure の公式料金ページに実際に載っているかを当サイトで確認した表のことです（2026-10-17 時点で、本モデルと MAI-Voice-2.1 系はこの表に載っていません）。
公式ブログの逐語: "MAI-Transcribe-2-Streaming delivers low-latency, real-time transcripts in 60 languages, all while supporting automatic, continuous language detection." / "Rather than waiting for someone to finish speaking before returning text, it produces its first hypotheses (known as "partials") in just over 100ms of receiving audio." / "MAI-Transcribe-2-Streaming is available at an introductory price of $0.54 per hour of audio through the end of the year."
🖼️ MAI-Image-2.6 / MAI-Image-2.6-Flash（画像生成）— 2026-09-04
MAI の最強画像モデル。マルチ参照画像編集（複数画像から人物・商品・スタイル・シーンを合成）、Web グラウンディング、動的アスペクト比、最大 1.5K 解像度に対応。MAI-Image-2.6 は最高精度・画質、MAI-Image-2.6-Flash は同水準の品質を低遅延・高スループットで提供する位置づけ。Microsoft 公式発表（2026-09-04時点）では Arena で text-to-image・画像編集とも No.2、Artificial Analysis で画像編集 No.1。2.6-Flash は GPT-Image-2-Medium 比で 2.8倍高速・72%高効率 とされています。料金は公式ブログに テキスト入力 $5 / 画像入力 $8 / 画像出力 $38（2.6-Flash は $1.75 / $2.50 / $19、いずれも starts at）と記載されています。両方とも Public Preview で提供中。
🎙️ MAI-Transcribe-2（音声認識）— 2026-09-03
Microsoft のブログタイトルでは「世界で最も速く・正確で・安い音声認識モデル」と位置づけ。価格は $0.10 / 時間（年末までの限定オファー）。FLEURS 60言語で No.1（平均 WER 5.2%）、Artificial Analysis AA-WER で No.2（2.0%）。人工分析ベースの速度で GPT-Transcribe の10倍・Scribe v2 の7倍・Gemini 3.5 Transcribe の5倍。話者分離・単語タイムスタンプ・キーワードバイアス・verbatim/clean の文字起こしスタイル・コードスイッチングなどに対応。
出典: Pushing the quality-cost frontier with MAI-Image-2.6（2026-09-04） · MAI-Transcribe-2（2026-09-03） · Our first streaming transcription model（2026-10-02）
料金表の読み方（画像生成と画像理解の違い）: Azure Foundry Models pricing の Microsoft セクションでは、モデルごとに「入力」欄の種類が違います。MAI-Image-2.5 / 2.5 Flash / 2.5 Pro は入力が Text / Image の2種類に分けて掲載され、画像を入力として渡す使い方の単価が別建てです。一方 MAI-Image-2 / MAI-Image-2-Efficient は入力がテキスト1種類のみで、MAI-Thinking-1 などのテキスト系も入力欄はテキストのみの掲載です。つまり入力欄が「Text / Image」に分かれているモデル＝画像を入力（理解）に使えるモデル、出力欄が画像のモデル＝画像を生成するモデル、と読み分けられます。（2026-10-17 に公式料金ページで再確認）
参考価格: MAI-Transcribe-2-Streaming / MAI-Voice-2.1 / 2.1-Flash（公式ブログの記載・Azure料金表には未掲載）
これら3モデルも、上の確認済み料金表（Azure Foundry Models pricing・Microsoft セクション）には掲載されていません（2026-10-03に再確認。MAI の行は9行のままで、Transcribe 系・Voice 系の行はありません）。 そのため Our first streaming transcription model（2026-10-02） の記載をそのまま掲載します。
| モデル | 種別 | 公式ブログの記載 |
|---|---|---|
| MAI-Transcribe-2-Streaming | ストリーミング音声認識 | $0.54 / 音声1時間（年内の導入価格） |
| MAI-Voice-2.1 | 音声生成 | $22 / 100万文字 |
| MAI-Voice-2.1-Flash | 音声生成（高速） | $15 / 100万文字 |
モデル別・料金（Azure Foundry 確認済み）
Microsoft Azure「Foundry Models pricing（Microsoft セクション）」の USドル建て料金。単価は USD / 1Mトークン。画像・音声のモデルはトークン表記が特殊な点に注意。確認日 2026-09-09（2026-10-03に再確認。MAI-Image-2.6 系・MAI-Transcribe-2-Streaming・MAI-Voice-2.1 系はいずれも同表に未掲載、既存行の単価に変更なし）。
| モデル | 入力 / 1M | キャッシュ入力 / 1M | 出力 / 1M | 分類 |
|---|---|---|---|---|
| MAI-Thinking-1 | $2.00 | $0.20 | $8.00 | 推論 |
| MAI-Cyber-1 Flash | $0.60 | $0.06 | $3.50 | サイバー防御（MDASH） |
| MAI-DS-R1 | $1.35 | — | $5.40 | DeepSeek R1 系（Regional $1.485/$5.94） |
| MAI-Image-2 | $5 | — | $33 | 画像生成（Global） Image out |
| MAI-Image-2-Efficient | $5 | — | $19.50 | 画像生成（41%低コスト） Image out |
| MAI-Image-2.5 | Text $5 / Image $8 | — | $47 | 画像生成 Image out |
| MAI-Image-2.5 Flash | Text $1.75 / Image $1.75 | — | $19.50 | 画像生成（高速） Image out |
| MAI-Image-2.5 Pro | Text $5 / Image $8 | — | $106 | 画像生成（高品質） Image out |
参考価格: MAI-Image-2.6 / 2.6-Flash（公式ブログの記載・Azure料金表には未掲載）
この2モデルは、上の確認済み料金表（Azure Foundry Models pricing・Microsoft セクション）にはまだ掲載されていません（2026-09-19に再確認）。 そのため MAI-Image-2.6 and MAI-Image-2.6-Flash（2026-09-04） に書かれている価格を、そのまま掲載します。 表記はすべて starts at（最低価格）、提供は public preview です。
| モデル | テキスト入力 / 1M | 画像入力 / 1M | 画像出力 / 1M |
|---|---|---|---|
| MAI-Image-2.6 | $5 | $8 | $38 |
| MAI-Image-2.6-Flash | $1.75 | $2.50 | $19 |
入力はテキストと画像で単価が別（画像入力のほうが高い）。出力の単価は画像出力に対するものです。上の確認済み料金表にある MAI-Image-2.5（$5 / $8 / $47）と比べると、2.6 は出力が $38、2.6-Flash は $1.75 / $2.50 / $19 です。
公式ブログの原文（価格部分の逐語）: "MAI-Image-2.6 and MAI-Image-2.6-Flash are available in public preview in Foundry. MAI-Image-2.6 pricing starts at $5 USD per 1M tokens for text input, $8 USD per 1M tokens for image input, and $38 USD per 1M tokens for image output. MAI-Image-2.6-Flash pricing starts at $1.75 USD per 1M tokens for text input, $2.50 USD per 1M tokens for image input, and $19 USD per 1M tokens for image output."
- MAI-Image-2.6 / 2.6-Flashは Microsoft Foundry の確認済み料金表にまだ未掲載のため、上記のとおり公式ブログの記載価格（starts at・public preview）として掲載しています。public preview 中は価格・提供条件が動くため、契約前に Foundry の最新表示をご確認ください。
- MAI-Transcribe-2-Streaming / MAI-Voice-2.1 / 2.1-Flashも同じく確認済み料金表に未掲載のため、上記のとおり公式ブログの記載として掲載しています。MAI-Transcribe-2-Streaming の $0.54/時は「年末までの導入価格」と明記されている点に注意してください。
- MAI-Code 系（MAI-Code-1-Flash / 1.1-Flash）も同表に無いため価格は未掲載。
- MAI-Voice 系（MAI-Voice-1 / 2 / 2-Flash）は Azure Speech in Foundry Tools 経由が公式で、トークンではなく音声メーターで課金（この表に無し）。
一次情報: azure.microsoft.com/.../ai-foundry-models/microsoft/（確認 2026-10-03）· MAI-Image-2.6 / 2.6-Flash の価格のみ Microsoft Foundry Blog「MAI-Image-2.6 and MAI-Image-2.6-Flash」（2026-09-04付・確認 2026-10-03）
使い方（API / アクセス方法）
MAI は主に Azure AI Foundry / Microsoft Foundry 経由でモデルをデプロイして呼び出します。一部は MAI Playground や OpenRouter でも試せます。
- Microsoft Foundry（ai.azure.com/catalog/models）: カタログから MAI モデルを選び、model ID を指定してデプロイ。認証は Azure（Azure OpenAI と同様の API キー / Entra ID）。
- MAI Playground（playground.microsoft.ai）: API キー無しでブラウザから試せる。例:
playground.microsoft.ai/chat?model=mai-image-2-6-flash/?model=mai-transcribe-2。 - MAI-Transcribe-2（音声認識）: 公式は Azure Speech の MAI-Transcribe ドキュメント（REST / SDK）。OpenRouter ではモデルID
microsoft/mai-transcribe-2。 - MAI-Transcribe-2-Streaming（2026-10-02・ストリーミング）: 公式ブログでは入手経路を OpenRouter / Microsoft Foundry / MAI Playground / Vercel / Azure Voice Live としており、LiveKit は「coming soon」と記載されています。話し終わりを待てない用途（リアルタイムの会議文字起こしなど）向けです。
- 画像生成（MAI-Image-2.x）: Foundry の画像生成モデルとして text-to-image / image-editing をデプロイ。マルチ参照編集・Web グラウンディングは MAI-Image-2.6 系が対応。
- 推論（MAI-Thinking-1）: 推論モデル。キャッシュ入力が0.20と安いのが特徴。
⚠️ 正確なリクエスト形式・パラメータはモデルごとに異なり、かつ変更され得るため、必ず公式ドキュメント（Learn / Foundry の各モデルページ）を参照してください。本ページでは具体的な API リクエストのボディまでは記載しません（一次情報での裏取りができていないため）。
MAI リリース年表
microsoft.ai blog の記事から日付を整理。主要なもの。
| 日付 | 出来事 |
|---|---|
| 2025-09頃 | 「Two in-house models」「Introducing MAI-Image-1」（MAI-Image-1、LMArena トップ10入り） |
| 2026-04-02 | 「Announcing 3 new world class MAI models」＝ MAI-Image-2 / MAI-Transcribe-1 / MAI-Voice-1（Foundry で提供開始） |
| 2026-04-02 | MAI-Image-2-Efficient（フラッグシップ品質・41%低コスト） |
| 2026-05 | MAI-Transcribe-1.5 / MAI-Code-1-Flash を発表 |
| 2026-06-02 | Build 2026「Building a hill-climbing machine: Launching seven new MAI models」＝ MAI-Image-2.5 / 2.5-Flash / Transcribe-1.5 / MAI-Thinking-1 / Voice-2 / Voice-2-Flash / Code-1-Flash |
| 2026-07 | MAI-Cyber-1-Flash（MDASH 防御用途）/ MAI-Image-2.5-Pro・MAI-Voice-2-Flash / MAI-Image-2.5（Arena No.2） |
| 2026-08 | MAI-Code-1.1-Flash（4分の1のコスト）/ MAI-Image-2.6 が Arena No.2 に |
| 2026-09-03 New | MAI-Transcribe-2（音声認識・$0.10/時 限定） |
| 2026-09-04 New | MAI-Image-2.6 / 2.6-Flash（画像生成） |
| 2026-10-02 New | MAI-Transcribe-2-Streaming（ストリーミング音声認識・$0.54/時 年内導入価格）と MAI-Voice-2.1 / 2.1-Flash（音声生成）を発表 |
| 2026-10-07 New | MAI Code 1.1 Flash のローカル版を Microsoft の開発者ブログが発表。Windows の GitHub Copilot でオンデバイス推論（137B総・6.8BアクティブのMoE。量子化版は約53GB、256kコンテキストでピークメモリ75.5GB） |
出典: microsoft.ai/blog · commandline.microsoft.com（Microsoft 開発者ブログ）
押さえておきたいポイント
- Microsoft の自社開発モデルであり、OpenAI モデル（Azure OpenAI 経由）とは別系統。データ主権・ライセンスの選択肢を広げるものとして、企業向けに提案されています。
- Azure-first: 他社（Google・Meta・Mistral・DeepSeek 等）のオープンモデルと並んで Foundry カタログ（11,000+モデル）に搭載され、統一された Azure 課金・運用の一部として使えます。
- 価格の例: 推論モデル MAI-Thinking-1 は $2/$8（キャッシュ $0.20）、画像生成は MAI-Image-2.5 Flash が $1.75/$19.50。最新の MAI-Image-2.6 はテキスト入力 $5・画像入力 $8・画像出力 $38、2.6-Flash は $1.75 / $2.50 / $19（いずれも starts at・public preview、公式ブログ記載）。
- 音声認識の最新形（2026-10-02）: MAI-Transcribe-2-Streaming は60言語のストリーミング文字起こしで、話し終わりを待たずに約100msで暫定結果を返す設計。年内の導入価格は $0.54/時（公式ブログ記載）。Azure の確認済み料金表にはまだ未掲載です。
- ローカル（オンデバイス）展開（2026-10-07）— 必要メモリ・対応環境・導入手順: Microsoft の開発者ブログが MAI Code 1.1 Flash のローカル版を発表しました。MAI Code 1.1 Flash はコーディング特化の MoE で 総パラメータ137B・アクティブ6.8B、オンデバイス版は量子化と投機的デコーディングでサイズを 約53GB（Bfloat16 のクラウド版比80%減）に抑え、256k コンテキストでピークメモリ75.5GB（2026-10-05 テスト）。NVIDIA RTX Spark 搭載 Windows PC（Surface Laptop Ultra）の GitHub Copilot で最初に提供され、実行は Windows チームのオープンソース Microsoft Execution Containers（MXC）でサンドボックス化されます。GitHub Copilot CLI・Copilot アプリ・VS Code のいずれでも使え、Windows ML プロバイダから MAI Code 1.1 Flash を選ぶか、OpenAI 互換のローカルエンドポイントに接続するかの2通りの導入方法があります。この記事には料金の記載がなく、Azure の料金表にも MAI-Code-1.1 は未掲載（2026-10-13時点）のため、コスト比較には使えません。
- モダリティの広がり: 音声認識（Transcribe）・音声生成（Voice）・画像生成（Image）・画像理解（VLM 系）・コード（Code）・推論（Thinking）と、LLM以外の周辺分野までカバー。
⚠️ 免責事項
- 料金・仕様は Microsoft の公式ページを 2026-10-03 に確認したものです（確認済み料金表の初回確認は 2026-09-09、2026-09-19・10-03 に再確認）。予告なく変動します。契約前に必ず 公式料金ページ・公式ブログ をご確認ください。
- ベンチマーク（Arena / Artificial Analysis 順位、FLEURS WER、速度倍率、2.8倍高速等）は Microsoft・Artificial Analysis の自己公表値であり、独立評価と差が出る場合があります。
- MAI-Image-2.6 / 2.6-Flash の価格は、確認済み料金表ではなく Microsoft Foundry 公式ブログの記載（starts at・public preview）です。MAI-Code 系・MAI-Voice 系の価格は一次情報に無いため未掲載です。MAI-Transcribe-2-Streaming / MAI-Voice-2.1 / 2.1-Flash も同じく公式ブログの記載（導入価格）であり、確認済み料金表には未掲載です。
- 本サイトは情報提供目的であり、特定プロバイダーの推薦・代理ではありません。Microsoft・Azure は Microsoft Corporation、MAI は Microsoft AI の商標です。