MicrosoftがGPUコスト最大89%減を主張。画像・音声AIを内製モデルへ置換

MAI-Image-2.5-Pro は Microsoft が2026年7月23日にパブリックプレビューで公開した自社開発の画像生成モデルで、同時公開の音声モデル MAI-Voice-2-Flash とあわせて Microsoft Foundry から利用できます。

📖 この記事で分かること

• MAI-Image-2.5-Pro と MAI-Voice-2-Flash の位置づけ
• 2モデルの公開価格と提供形態
• 自社製品への適用で示されたコスト削減の実数値
• 開発者が今どこを見て判断すべきか

💡 知っておきたい用語

• パブリックプレビュー: 正式提供の前段階として、開発者が実際に試せる形で公開される提供形態。仕様や価格が後で変わる可能性がある。
• 内製モデル: 外部の提供元から調達せず、自社で開発・運用するAIモデル。

最終更新日: 2026年7月26日

▶ 公式ページ

• Introducing MAI-Image-2.5-Pro and MAI-Voice-2-Flash(Microsoft AI)
• Introducing MAI-Image-2.5 Pro and MAI-Voice-2 Flash in Microsoft Foundry(Microsoft Community Hub)

Microsoft が画像・音声の新モデル2種をプレビュー公開

この記事のポイント

• Microsoft が2026年7月23日、MAI-Image-2.5-Pro と MAI-Voice-2-Flash をパブリックプレビューで公開しました(2026年7月時点)。
• MAI-Voice-2-Flash は従来の MAI-Voice-2 比で2倍高速・32%低価格。価格は100万文字あたり $15(2026年7月時点)。
• Dynamics 365 Contact Center では GPU コストを最大89%削減したと同社は説明しています。
• 両モデルは Microsoft Foundry 経由で利用できます。

Microsoft は2026年7月23日、自社開発のAIモデル群「MAI」に画像生成と音声合成の新版を追加し、いずれもパブリックプレビューとして公開しました。6月に発表されたMAI新モデル群に続く更新で、今回は画像と音声という用途特化の2本立てになります。

発表で目を引くのはモデル単体の性能値ではなく、同社が自社製品のAI基盤をどこまで内製モデルへ置き換えたかを、製品ごとの実数値で開示した点です。

2モデルの仕様と価格

MAI-Image-2.5-Pro は、同社がこれまでで最高忠実度と位置づける画像モデルです。用途として挙げられているのは、記事や資料の主役となるヒーロー画像、細部を指定した編集、そして画像内テキストの正確なレンダリングです。画像内の文字が崩れる問題は生成画像の実務投入を阻む代表的な要因で、そこを明示的に用途として掲げています。

価格は用途ごとに3つに分かれています(2026年7月時点)。

• テキスト入力: 100万トークンあたり $5
• 画像入力: 100万トークンあたり $8
• 画像出力: 100万トークンあたり $106

MAI-Voice-2-Flash は、応答性と処理量を優先する音声用途に向けた軽量版です。価格は100万文字あたり $15(2026年7月時点)で、従来の MAI-Voice-2 と比べて2倍高速かつ32%低価格とされています。同一世代の中で速度と単価の両方を改善した位置づけになります。

いずれも Microsoft Foundry から利用でき、開発者は品質重視の Pro と速度・単価重視の Flash を用途に応じて選び分ける構成です。

自社製品での適用実績が示すもの

Microsoft は今回、新モデルを含む MAI 群を自社製品に投入した結果を数値で示しました。以下はいずれも同社の説明によるものです。

• Bing Image Creator: 既定で100%内製化
• PowerPoint: GPT-Image-2 との比較で GPU コストを最大84%削減
• OneDrive: 保存率が26%向上、P95レイテンシが約25%短縮、効率は2.5倍
• Dynamics 365 Contact Center: GPU コストを最大89%削減
• Dragon Copilot の MAI-Transcribe-1.5: ほとんどの言語で文字起こし誤り率と言語識別誤り率をいずれも相対50%削減

注目すべきは Bing Image Creator の記述です。試験導入や一部トラフィックでの併用ではなく、既定で全面的に内製モデルへ切り替わったと明記されています。OneDrive の保存率26%向上は、生成結果をユーザーが実際に採用した割合の改善を指すもので、コスト以外の品質面の指標として提示されています。

編集部の見方

編集部は、今回の発表で最も重いのは新モデルの性能値ではなく、内製モデルへの置き換えが「実験」から「既定」へ移ったことだと見ます。

• 根拠1: Bing Image Creator が既定で100%内製化されたと明記されています。本番の既定経路に載せた以上、品質面で社内基準を満たしたという判断が前提になります。
• 根拠2: PowerPoint で GPT-Image-2 比 GPU コスト最大84%減、Dynamics 365 Contact Center で最大89%減という数値が、置き換えの動機がコスト構造にあることを具体的に示しています。
• 根拠3: MAI-Voice-2-Flash が同一世代内で2倍高速・32%低価格を実現しており、単価を下げ続ける方向に開発資源が向いていることが読み取れます。

この見方が変わる条件は2つあります。1つは、第三者による品質評価が同社の主張に追いつかない場合。もう1つは、外部モデルが同等の価格帯まで降りてきた場合で、そのとき内製の優位はコストではなく製品統合の深さに移ります。

開発者側の実務判断としては、まず Flash の100万文字あたり $15 という単価が自社の音声処理量に対してどう効くかを試算する順序が現実的です。画像側は出力トークン単価が入力側と2桁違うため、生成枚数の想定なしに比較しても意味のある数字は出ません。

よくある質問

Q: MAI-Image-2.5-Pro と MAI-Voice-2-Flash はすぐ使えますか

A: 両モデルともパブリックプレビューとして公開されており、Microsoft Foundry 経由で利用できます(2026年7月時点)。プレビュー段階のため、仕様や価格が変更される可能性があります。

Q: GPU コスト最大89%削減という数値は誰の環境でも再現できますか

A: この数値は Microsoft が自社製品 Dynamics 365 Contact Center へ適用した結果として説明しているもので、一般的な利用環境での再現を保証するものではありません。ワークロードの内容や比較対象によって結果は変わります。

Q: 6月に発表された MAI 新モデル群とは別のものですか

A: 別の発表です。今回公開されたのは画像生成の MAI-Image-2.5-Pro と音声合成の MAI-Voice-2-Flash という用途特化の2モデルで、6月の発表に続く追加更新にあたります。

まとめ

Microsoft は2026年7月23日、MAI-Image-2.5-Pro と MAI-Voice-2-Flash をパブリックプレビューで公開しました。価格は画像出力が100万トークンあたり $106、音声が100万文字あたり $15 で、いずれも Microsoft Foundry から利用できます。発表の実質的な焦点は、Bing Image Creator の既定内製化や製品別の GPU コスト削減率といった、内製モデルへの置き換えがすでに本番運用へ入っているという事実の開示にあります。導入を検討する場合は、公表された削減率をそのまま自社に当てはめず、自社の処理量に単価を当てて試算する手順が必要です。

【用語解説】

• パブリックプレビュー: 正式提供の前に開発者へ広く開放される試験提供の段階。本番利用は可能だが、仕様変更や価格改定が起こりうる。
• P95レイテンシ: 応答時間を遅い順に並べたとき、下から95%目にあたる値。平均値では見えない「遅いときの遅さ」を示す指標。
• 推論コスト: 学習済みモデルを実際に動かして結果を生成する際にかかる計算資源の費用。GPU の占有時間が主な内訳になる。

引用元:

• [1] Introducing MAI-Image-2.5-Pro and MAI-Voice-2-Flash(Microsoft AI)
• [2] Introducing MAI-Image-2.5 Pro and MAI-Voice-2 Flash in Microsoft Foundry(Microsoft Community Hub)
• [3] Microsoft launches new in-house AI models it says cut costs up to 89% versus OpenAI(VentureBeat)

この記事について: AI 支援で執筆、編集部が事実確認・編集しています。誤りや追加情報があれば Contact よりお知らせください。