マイクロソフト、画像・音声生成モデル「MAI」を発表
Microsoft は、2026 年 7 月に自社開発の「MAI-Image」および「MAI-Voice」モデルを発表し、生成 AI ツールのリーダーシップを確立した。
AI算出
主要ニュースainew評価高い
記事は MAI-Image-2.5-Pro と MAI-Voice-2-Flash という具体的な新モデルの公開プレビュー開始、独自データでの訓練、および詳細な価格設定（100 万トークンあたりのドル額）を報じており、AI モデルの重大な新発表として評価できる。ただし、対象はグローバル製品であり日本固有の価格や規制情報は含まれていないため、日本の関連性は低めとなる。
6つの評価軸を見る
- AI関連度
- 100
- 情報源の信頼性
- 50
- 新規性
- 75
- 調べる価値
- 100
- 重複の少なさ
- 100
- 日本での有用性
- 25
この記事の3ポイント
- 1
自社開発モデルの発表と特徴
- 2
テキスト描画と自然言語編集の突破
- 3
Microsoft AI の戦略的転換
なぜ重要か・誰に関係するか
この記事は、Microsoft が生成 AI の競争において他社依存から脱却し、独自のエコシステムと技術基盤を構築したことを示す重要な転換点です。特にテキストレンダリング精度の向上は、実務における生成 AI の信頼性を大幅に高めるものであり、エンタープライズ市場での Microsoft の優位性をさらに強固にするでしょう。
AI深層分析を開く2026年7月25日 16:22
キーポイント
自社開発モデルの発表と特徴
Microsoft は第三者からの知識蒸留（distillation）を行わず、クリーンでトレーサブルなエンタープライズグレードデータを用いて訓練された「MAI-Image」および「MAI-Voice」を発表した。
テキスト描画と自然言語編集の突破
新モデルは画像生成におけるテキストの正確なレンダリング能力に優れ、自然言語による編集指示を理解することで、クリエイティブな反復作業をより直感的かつ高速化した。
Microsoft AI の戦略的転換
1 年前から社内専用モデルの開発に取り組んできた結果、既存の Microsoft プロダクトにおいてその価値が顕在化し、生成 AI 分野でのリーダーとしての地位を確固たるものにした。
新モデルの公開
高画質・詳細編集に特化した画像生成モデル「MAI-Image-2.5-Pro」と、高速・低コストな音声生成モデル「MAI-Voice-2-Flash」がパブリックプレビューとして利用可能になりました。
品質・速度・コストのバランス提供
Microsoft AI は用途に応じて最適な選択肢を選べるよう、異なるニーズ（高忠実度 vs 高速処理）に対応するモデルファミリーを構築し、開発者が品質・速度・コストの曲線上で適切なモデルを選定できるようにしています。
既存製品への統合とスケール
これらのモデルは Bing、PowerPoint、OneDrive などの Microsoft 製品群において既に大規模に運用されており、生産環境で実証済みの技術です。
Bing Image Creator の完全自社モデル化
MAI-Image-2.5の高精度な画像編集機能により、Bing Image Creator がデフォルトで完全に自社モデルに切り替わり、高品質な生成とクリエイティブ制御が可能になりました。
重要な引用
"MAI-Image-2.5-Pro is a strong leap forward for GenMedia tools. Beyond the impressive image quality, its ability to render text with this kind of accuracy is a real breakthrough."
Microsoft has firmly established itself among the leaders in generative AI.
Pro is our highest-fidelity image model to date
Flash is the fast, efficient path for high-volume voice experiences where responsiveness is everything
MAI models are outperforming competitive models for quality, latency and efficiency for more of Microsoft’s product surfaces
With MAI-Image-2.5's new precise image editing capabilities, it is now the default model powering Bing Image Creator end-to-end
編集コメントを表示
編集コメント
2026 年という未来の日付で発表されたこのニュースは、Microsoft が生成 AI の基盤技術において他社との決定的な差別化を図っていることを示唆しています。特に「テキストの正確な描画」という実用性の高い機能への注目は、クリエイティブ現場での導入障壁を下げた重要な一歩と言えます。
Copilot
Models
Superintelligence team
July 23, 2026
「MAI-Image-2.5-Pro は、生成メディアツールの大きな前進です。印象的な画像品質だけでなく、このレベルの精度でテキストをレンダリングできる点は真のブレイクスルーと言えます。また、自然言語による編集も理解するため、クリエイティブな反復作業がより迅速かつ直感的に行えます。マイクロソフトは生成 AI の分野で確固たるリーダーとしての地位を築きました」
Rob Reilly氏、WPP グローバル最高創造責任者
1 年前、マイクロソフト AI は自社専用のモデル開発に着手しました。第三者のモデルからの蒸留（ディストillation）を経ず、クリーンで追跡可能なエンタープライズグレードのデータで訓練されたモデルです。毎日マイクロソフト製品を利用する人々をサポートするために、ゼロから設計されています。
今日、これらの研究成果は、あなたがすでに信頼している製品の中で重要な役割を果たすようになっています。Build で紹介したモデルは単にベンチマークで上位を争うだけでなく、実際に本番環境で稼働し、Bing、PowerPoint、OneDrive、Dynamics 365、Azure など、拡大する Microsoft の製品ポートフォリオ全体で数百万人のユーザーに効率的な体験を提供しています。
2 つの新しいモデルバリアントの発表
実際のユースケースは一律ではありません。最高品質の忠実さを追求するクリエイティブスタジオと、毎日何百万件もの通話に対応するカスタマーセンターでは、必要なものが全く異なります。そのため、私たちは「モデルファミリー」を構築しています。各製品に、品質・速度・コストの最適なバランスを提供するためです。
本日、これらの選択肢をさらに拡大します。
- MAI-Image-2.5-Pro がパブリックプレビューを開始しました。品質が最優先されるユースケース向けです。ヒーローイメージの作成、詳細な編集、画像内テキストの正確なレンダリングに対応します。Pro はこれまでにない最高レベルの忠実度を持つ画像モデルで、100 万トークンあたりの料金は、テキスト入力で 5 ドル、画像入力で 8 ドル、画像出力で 106 ドルです。
MAI-Voice-2-Flash がパブリックプレビューを開始しました。Build 発表会で初めて紹介された Flash は、スピードとスケーラビリティを重視して設計されています。応答性が最優先される大規模な音声体験において、MAI-Voice-2 に匹敵する自然な抑揚と高音質を維持しつつ、高速かつ効率的に処理できる道筋を提供します。MAI-Voice-2 よりも 2 倍速く、コストは 32% 削減され、100 万文字あたり 15 ドルという価格設定です。
MAI-Voice-2-Flash と MAI-Image-2.5-Pro は、既存の生産環境向けモデル existing production models と並列して提供されます。これにより、開発者は品質・速度・コストのバランス曲線上で、自社の用途に最適なポイントを選択できるようになります。
Microsoft 製品向けに特化して設計されたモデル
リーダーボードはモデルの品質をベンチマークする上で有用ですが、真価を発揮するのは実際の製品でユーザーに提供される時です。Microsoft では、生産環境での採用前にすべてのモデルを厳格に評価し、最適なモデルを選定しています。その結果、MAI モデルは Microsoft の多くのプロダクト領域において、競合他社モデルを上回る品質・レイテンシ・効率性を示すようになっています。
- Bing Image Creator は現在、デフォルトで 100% 社内開発のモデルが採用されています。MAI-Image-2.5 が備える高精度な画像編集機能により、高品質な生成とより大きなクリエイティブコントロールを実現するエンドツーエンドのエンジンとして、Bing Image Creator の標準モデルに全面採用されました。
PowerPoint で利用可能な画像生成・編集機能。MAI-Image-2.5 は、PowerPoint 内で画像から画像への処理のデフォルトモデルとして稼働を開始しました。これにより、GPT-Image-2 と比較して GPU コストを最大 84% 削減しています。
OneDrive の画像編集機能では、MAI-Image-2.5 が主要な生産環境での画像編集シナリオのデフォルトモデルとなりました。導入以降、保存率は 26% 向上し、P95 レイテンシーは約 25% 短縮されました。また、中程度の負荷がかかる生産ワークロード下では、処理効率が 2.5 倍に向上しています。
コールセンターでの音声活用では、MAI-Voice-2-Flash が Dynamics 365 Contact Center の基盤として稼働しています。これは T-Mobile や EasyJet などの企業が利用する、カスタマーエージェント構築用のエンタープライズプラットフォームです。ブランドの印象を決定づける対話において、最も表現力豊かで自然な音声を届ける一方、GPU コストを最大 89% 削減しました。
MAI-Voice-2-Flash は Azure Voice Live にも統合されています。開発者は、このモデルが提供する自然で表現豊かな音声と低遅延性を活用し、Voice Live で素早く音声エージェントを構築できます。Voice Live を使えば、音声対話（スピーチ・トゥ・スピーチ）に対応する高品質なエージェントをスケーラブルに開発できる道が開かれます。
これらの改善はすべて、同じ目標に向けた一歩です。Microsoft の製品が Microsoft 製モデルによって支えられ、それらを利用する人々のために作られているという信念のもとに、私たちは前進しています。
専門家と共に構築した
医療やソフトウェア工学など、今日最も重要な課題を扱う分野では、汎用モデルだけでは不十分です。深い専門知識、緊密なフィードバックループ、そして複雑で現実的な課題を解決できるモデルが求められます。Microsoft AI はドメインの専門家と直接連携し、それぞれの独自のニーズに合わせてモデルを適応させ、洗練させています。
- MAI は、17 万人の医療従事者に利用されているソリューション「Dragon Copilot」と提携しています。同社は先四半期に 2,800 万件の患者対応を処理しました。MAI-Transcribe-1.5 は Dragon Copilot の多言語ワークフローに対応し、以前のモデルから 58 か国語をサポートする当社の最高クラスのモデルへと置き換わりました。内部評価では、多言語録音データにおいて、ほとんどの言語で文字起こしおよび言語識別のエラー率が相対的に 50% 減少しました。また初期の研究では、医療記録の精度向上においても有望な結果が得られています。
これらは決して終着点ではありません。これは一つの決断が積み重なった結果です。「自社でモデルを開発し、製品を利用する人々のためにカスタマイズできるものとし、顧客により多くの選択肢と高い価値を提供する」という決断です。
「Powered by MAI」とは、モデルごとに、製品ごとにそうであることを意味します。私たちはまだ始まったばかりです。その間、Foundry で提供されているモデルをぜひお試しください。また、Microsoft Learn で MAI-Image-2.5-Pro や MAI-Voice-2-Flash について詳しく学ぶか、MAI Playground で実際に試すこともできます。
私たちと一緒に未来を築こう
私たちは世界有数の才能ある人材が集まった、少人数で機敏に動くラボです。MAI では計算資源のロードマップも充実しており、次世代の GB200 クラスターはすでに稼働しています。そして、私たちが心から信じる野心的なミッションもあります。さらに、私たちのモデルが数十億人のユーザーに届き、大きなプラスの影響を生み出す機会を与える素晴らしいプロダクトチームとパートナーシップを結んでいることも幸運です。
あなたが優秀で野心に満ちた人物でありながら、自己主張を抑えられた方であれば、きっと私たちと相性が合うはずです。次世代のモデル開発に取り組む私たちにぜひご参加ください！
関連記事
原文を表示
Models
Superintelligence team
July 23, 2026
Models
Superintelligence team
“MAI-Image-2.5-Pro is a strong leap forward for GenMedia tools. Beyond the impressive image quality, its ability to render text with this kind of accuracy is a real breakthrough. It also understands natural language edits, so creative iteration becomes faster and far more intuitive. Microsoft has firmly established itself among the leaders in generative AI.”
Rob Reilly, Global Chief Creative Officer, WPP
A year ago, we set out to develop purpose-built models in-house at Microsoft AI. Models trained on clean, traceable, enterprise-grade data, without distillation from third-party models, and designed from the ground up to serve the people who use Microsoft products every day.
Today, that work is showing up where it matters in the products you already rely on. The models we previewed at Build are not just topping leaderboards, they are running in production, at scale, efficiently powering experiences for millions of users across a growing portfolio of Microsoft products, including Bing, PowerPoint, OneDrive, Dynamics 365, and Azure.
Introducing two new model variants
Real-world use cases are not one-size-fits-all. A creative studio chasing maximum fidelity has very different needs from a customer service center serving millions of calls daily. That’s why we’re building families of models: to give every product the right balance of quality, speed, and cost.
Today we’re expanding those options:
- MAI-Image-2.5-Pro is now in public preview. For use cases where quality is top of mind. Hero imagery, detailed editing, precise in-image text rendering. Pro is our highest-fidelity image model to date, priced at $5 per 1M text input tokens, $8 per 1M image input tokens, and $106 per 1M image output tokens.
- MAI-Voice-2-Flash is now in public preview. First introduced at Build, Flash is built for speed and scale. It’s the fast, efficient path for high-volume voice experiences where responsiveness is everything, all while retaining the natural prosody and high acoustic quality found in MAI-Voice-2. Flash is 2x faster than MAI-Voice-2 and 32% cheaper, priced at $15 per 1M characters.
MAI-Voice-2-Flash and MAI-Image-2.5-Pro sit alongside our existing production models so builders can pick the point on the quality-speed-cost curve that fits their job.
Purpose-built models for our Microsoft products
Leaderboards are great for benchmarking the quality of our models, but the proof lies in serving users in real product use cases. Microsoft rigorously evaluates all models before deciding on the best one for use in production environments. MAI models are outperforming competitive models for quality, latency and efficiency for more of Microsoft’s product surfaces:
- Bing Image Creator is now 100% in-house by default. With MAI-Image-2.5‘s new precise image editing capabilities, it is now the default model powering Bing Image Creator end-to-end, for high-quality generation and greater creative control.
- Image generation and editing capabilities available in PowerPoint. MAI-Image-2.5 is now in production in PowerPoint for image-to-image capabilities, reducing GPU costs up to 84% compared with GPT-Image-2.
- Image editing in OneDrive. MAI-Image-2.5 is now the default model for key OneDrive production image-editing scenarios. Since rollout, it has increased save rates by 26%, reduced P95 latency by approximately 25%, and delivered 2.5x greater efficiency under medium-utilization production workloads.
- Voice in the call center. MAI-Voice-2-Flash now powers Dynamics 365 Contact Center, the enterprise platform for building call center agents used by customers like T-Mobile and EasyJet, bringing our most expressive, natural sounding speech to brand defining conversations while reducing GPU costs up to 89%.
- MAI-Voice-2-Flash integrated in Azure Voice Live. Customers can quickly build voice agents in Voice Live, powered by MAI‑Voice‑2‑Flash’s natural, expressive voices and low latency. Voice Live gives developers a scalable path to building high‑quality agents that support speech‑to‑speech interactions.
Each of these enhancements is a step toward the same goal: Microsoft products, powered by Microsoft models, built to serve the people who use them.
Built with the experts
Some of today’s most consequential and challenging fields, such as medicine or software engineering, demand more than a general-purpose model. They demand deep expertise, tight feedback loops, and models that are capable of solving complex, real-world challenges. Microsoft AI partners directly with domain specialists to adapt and refine our models for their unique needs:
- MAI is partnering with Dragon Copilot, a solution used by 170,000 medical providers, which processed 28 million patient encounters last quarter.MAI-Transcribe-1.5 now supports Dragon Copilot’s multilingual workflow, replacing the previous model with our own best-in-class model across 58 languages. In internal evaluations on multilingual recordings, the model delivers a 50% relative reduction in both transcription and language-identification error rates across most languages, and early research shows promising improvements in the downstream accuracy of medical notes.
None of this is an endpoint. It’s the compounding result of one decision: build models in-house so they can be shaped around the people who use our products, and offer options that deliver customers more choice and better value. That’s what “powered by MAI” means, model by model, product by product. We’re just getting started. In the meantime, get started with the models in Foundry. You can also learn more about MAI-Image-2.5-Pro and MAI-Voice-2-Flash on Microsoft Learn or try them out in the MAI Playground.
Build the Future With Us
We’re a lean, fast-moving lab made up of some of the world’s most talented minds. We have an exciting roadmap of compute at MAI, with our next-generation GB200 cluster now operational. And we have an ambitious mission we truly believe in. We’re also fortunate to partner with incredible product teams giving our models the chance to reach billions of users and create immense positive impact. If you’re a brilliant, highly-ambitious and low ego individual, you’ll fit right in—come and join us as we work on our next generation of models!
Related Stories
関連記事
今日のまとめ
AIデイリーブリーフで今日の重要ニュースをまとめ読み