Vercel AI Gateway、MicrosoftのMAI音声・文字起こし3モデルを追加

何が発表されたか

• Vercel AI Gateway に Microsoft の音声系3モデルが追加（2026年10月1日）。
  • microsoft/mai-voice-2.1 — 23言語の表現力ある音声生成。長文でも話者の一貫性を保ち、ナレーションやオーディオブック向け。
  • microsoft/mai-voice-2.1-flash — 低レイテンシ版。音声エージェントや対話用途。
  • microsoft/mai-transcribe-2-streaming — 音声が届いている最中に部分文字起こしを返すストリーミング認識。リアルタイム字幕に使える。
• 課金は各モデルの提示レートのまま。Gateway のプラットフォーム手数料・推論への上乗せはなし。

開発者への影響

9月下旬にはGemini 3.8のTTS 2モデルが同じGatewayに入っており、音声まわりの選択肢が短期間で厚くなった。テキスト生成・TTS・文字起こしを1つのGateway課金にまとめられるので、案件単位の原価を1枚の請求で把握できるのは受託では地味に効く。

実務で効きそうなのは文字起こしのストリーミング対応だ。打ち合わせ録画の字幕付与や、問い合わせ電話の要約といった用途で「全部録り終わってから投げる」設計が要らなくなる。ただし音声は単価の体感が掴みにくいので、1案件あたりの実額を小さく測ってから見積に載せること。

補足

具体的な単価は発表に記載がなく、Gateway のモデル一覧側で確認する必要がある。