Microsoft SourceがMAI-Image-2.5-ProとMAI-Voice-2-Flashを公開、しかしより重要なのは本番環境での成果

Microsoft Sourceは7月23日、Microsoftが自社モデルファミリーの拡充をプレビューしてから2か月足らずで、2つのMAIモデルバリアントを発表した。MAI-Image-2.5-Proは精細なビジュアル制作を、MAI-Voice-2-Flashは大量処理かつ遅延に敏感な音声アプリケーションを対象としている。

Microsoftがその技術の現在の稼働先を説明するまでは、この発表は定例のモデル更新のように見える。Bing Image Creatorは現在、全面的にMAI画像モデルを採用している。PowerPoint、OneDrive、Dynamics 365 Contact Center、Azure Voice Liveでも、MAIモデルが本番環境で使用されている。

これにより、競争上の問いは変わる。Microsoftは、あらゆる公開ベンチマークで、すべてのOpenAIまたはGoogleモデルに勝つ必要はない。すでに数百万人のユーザーへ提供している製品の中で、優れた性能を発揮するモデルが必要なのだ。

したがって、主な競争軸はMicrosoftの自社モデル戦略と、外部モデルプロバイダーへの依存継続との間にある。今回の新リリースは、Microsoftがモデル品質、遅延、インフラ利用、製品統合に対する制御力を高めようとしていることを、これまでで最も明確に示している。

Microsoft Source、性能曲線の両極に位置する2つのモデルを追加

2つの公開プレビューは、本番AIを明確に異なる用途、すなわち最高の画像忠実度と最高の音声効率に分けている。

モデルのリリース詳細では、MAI-Image-2.5-ProをMicrosoft史上最も忠実度の高い画像モデルと説明している。ヒーロー画像、精細な編集、生成ビジュアル内でのより正確なテキスト表現に重点を置く。

この位置付けが重要なのは、画像生成が魅力的な単体画像を作る段階を超えたためだ。マーケティングチームは、制御された修正、読みやすいラベル、安定したレイアウト、複数回の編集に耐えられる素材をますます必要としている。

モデルが魅力的な最初の画像を生成できても、誰かが1つのオブジェクトを変更したり、見出しを差し替えたりした際に失敗することがある。こうした失敗は追加のレビューサイクルを生み、本番ワークフローにおける価値を低下させる。

MAI-Image-2.5-Proは、その反対の結果を実現するよう設計されている。Microsoftによると、このモデルは自然言語による編集リクエストを理解し、修正時にも重要な視覚的ディテールを保持する。

WPP Global Chief Creative OfficerのRob Reillyは、Microsoftの発表の中で、テキストレンダリングと自然言語による編集の両方を取り上げた。彼のコメントは、モデルの技術的主張を、エージェンシー業務で一般的な反復作業と結び付けている。

Microsoftは、Proがこれらのタスクをどの程度一貫して処理できるかを立証するのに十分な独立テストを公表していない。それでも、選択されたユースケースからは、Microsoftが狙う市場が見えてくる。

同社は、Proをすべての生成画像におけるデフォルトの選択肢として提示しているわけではない。視覚的なミスが重大なクリエイティブ上または商業上のコストにつながる場面向けのモデルとして位置付けている。

MAI-Voice-2-Flashは、異なる設計目標に従っている。Microsoftは、音声を頻繁に生成し、目立った間を置かずに応答する必要があるアプリケーション向けに、このモデルを構築した。

同社によると、FlashはMAI-Voice-2の2倍の速度で動作しながら、運用コストを32パーセント削減する。これらの数値はMicrosoftによるものであり、広範な独立検証はまだ行われていない。

Flashは、より大規模なモデルが持つ自然なプロソディーの維持も目指している。プロソディーとは、生成音声を機械的に聞こえにくくするリズム、強勢、イントネーションを意味する。

速度だけでは、有用なカスタマーサービス音声にはならない。高速でも、平板に聞こえたり、名前を誤って発音したり、発信者の話を遮ったりするモデルは、別の運用上の問題を生むだけだ。

ここに、今回のリリースを支える中心的な仕組みがある。Microsoftは、1つのモデルに品質、速度、コストのあらゆる要件を満たさせるのではなく、モデルファミリーを構築している。

クリエイティブチームは、人目に触れるキャンペーン素材に高忠実度の画像モデルを選択できる。コンタクトセンターは、数千件の同時会話に対応するため、より高速な音声モデルを選択できる。

この製品戦略は、確立されたクラウドコンピューティングの慣行に似ている。購入者は、1つの構成がすべてのタスクを支配することを期待するのではなく、ワークロード要件に基づいて異なるインフラ構成を選択する。

Microsoft Sourceは、新しいバリアントを品質、速度、コストの曲線上にある選択肢として位置付けている。この曲線は、Microsoftが多様なワークロードに対応する方法を説明するものであり、どちらの製品名よりも重要だ。

真の焦点はMicrosoftの本番環境での展開規模

Microsoftは、社内の配信力を、独立系AI研究所では容易に再現できないモデル開発上の優位性へと変えている。

発表によると、Bing Image Creatorは現在、全面的にMAI-Image-2.5によって動作している。これは、Microsoftが外部依存を自社開発モデルに置き換えた代表的な事例となっている。

Microsoftはまた、MAI-Image-2.5がPowerPoint内の画像から画像への生成機能を処理していると述べている。画像から画像への生成は、既存のビジュアルの構図またはコンテンツを入力として使用しながら、そのビジュアルを変更する。

PowerPointは、とりわけ有用なテスト環境だ。プレゼンテーションのユーザーは、読みやすいテキスト、予測可能な比率、周囲のスライドコンテンツを配置する余白を備えた、ビジネス向けのビジュアルを必要とすることが多い。

成功するモデルは、こうした制約に繰り返し適合しなければならない。印象的なデモ画像は、広く提供されている生産性向上製品で継続的に使用されることと同じ証拠にはならない。

OneDriveは、2つ目の本番テストを提供する。Microsoftによると、MAI-Image-2.5はストレージサービスにおける主要な画像編集シナリオのデフォルトモデルとなった。

展開後、保存率は26パーセント上昇したとMicrosoftは述べている。保存率は、ユーザーが編集結果を保持する頻度を測る指標であり、実用性がどのように認識されているかを示す実践的なシグナルとなる。

同社はまた、P95遅延が約25パーセント削減されたと報告している。P95遅延は、比較的遅いケースも多数含め、リクエストの95パーセントが経験する応答時間を記録する。

Microsoftによると、OneDriveへの導入は、中程度の使用率のワークロードにおいて2.5倍高い効率を実現した。これらの結果は依然として同社による報告だが、美的な好みだけでなく、行動と運用を測定している。

PowerPointでは、さらに際立ったインフラ上の主張が示された。Microsoftによると、該当する画像から画像への生成処理において、MAI-Image-2.5はGPT-Image-2と比較してGPUコストを最大84パーセント削減した。

Microsoftは、その比較の基礎となる完全なワークロード構成を公表していない。出力設定、トラフィックパターン、ハードウェア、品質基準の違いは、インフラの結果に重大な影響を与える可能性がある。

そうした制約があっても、この指標はMicrosoftが何を最適化しているかを示している。同社は、自社サービス内でのコンピューティング要件を抑えながら、許容可能または優れた製品品質を実現したいと考えている。

音声も同じパターンに従っている。MAI-Voice-2-FlashはすでにDynamics 365 Contact Centerを支えており、生成音声が相当な規模で顧客対応を支援している。

Microsoftは、その環境でGPUコストを最大89パーセント削減したと報告している。繰り返しになるが、この主張には独立した精査と、より詳細な方法論が必要だ。

それでも、本番環境への配置には戦略的な重みがある。コンタクトセンターの音声は、要求の厳しい現実世界の環境において、遅延、明瞭さ、信頼性、運用コストを同時に扱う。

Azure Voice Liveは現在、音声対音声エージェント向けにMAI-Voice-2-Flashを提供している。このようなシステムは、音声入力を聞き取り、リクエストを処理し、進行中の会話の中で生成音声を返す。

すべてのコンポーネントが遅延を加える。したがって、音声生成の遅延を削減することで、特にエージェントが1回の通話中に何度も応答する必要がある場合、インタラクション全体を改善できる。

こうした導入により、Microsoftはベンチマークでの勝利を集める以上に有用なものを得られる。製品テレメトリー、失敗事例、多様なワークロードからの直接的なフィードバックが生成されるのだ。

Microsoftは、ユーザーがどの画像を保存するのか、どの編集を繰り返すのか、音声対話がいつ破綻するのかを分析できる。その情報は、その後のモデル訓練や製品ルーティングの指針となり得る。

独立系モデルベンダーもAPIを通じてフィードバックを収集できるが、通常は生産性、ストレージ、検索、カスタマーサービスの各製品を横断するMicrosoftのような直接的な視野を持たない。

これこそが、最新のMicrosoft Sourceの発表が一般的な公開プレビューよりも大きな意味を持つ理由だ。これらのモデルは、それらを評価し改善するための社内システムの拡大とともに登場している。

Microsoftの自社モデルが外部プロバイダーに圧力をかける

Microsoftが借り受けている機能を社内で最適化したものに置き換えられるたびに、外部モデルプロバイダーへの圧力が高まる。

Microsoftは依然としてOpenAIと密接に結び付いており、外部モデルは引き続き同社のAIポートフォリオ全体で重要な役割を果たしている。今回の発表は、完全な分離を示すものではない。

むしろ、Microsoftがより選択的なモデル戦略を採用していることを示している。同社は、明確な優位性を持つ領域では外部のフロンティアモデルを使用し、それ以外ではMAIを使用できる。

この柔軟性は、Microsoftの交渉上の立場を変える。信頼できる社内代替手段があれば、1社のプロバイダーが主要な製品機能の経済性またはロードマップを支配するリスクを軽減できる。

PowerPointでの画像比較は、その圧力を具体的に示している。Microsoftによると、そのワークロードでは、MAIモデルがOpenAIの画像モデルと比較してGPUコストを大幅に削減した。

重要なのは「そのワークロードでは」という部分だ。PowerPoint内で勝つモデルが、すべての開発者またはクリエイティブアプリケーションにとって自動的に最良の画像モデルになるわけではない。

しかし、Microsoftに普遍的な優位性は必要ない。より多くのリクエストを自社技術へルーティングする正当な理由となるだけの、ワークロード固有の勝利があればよい。

同社は、推論、コーディング、画像、文字起こし、音声にまたがる7つのモデルを発表したBuild基調講演で、この方向性を説明していた。ポートフォリオ型のアプローチにより、Microsoftは外部推論を置き換える機会を複数得られる。

Googleは別の競争上の脅威をもたらす。同社の画像モデルは、公開されている選好リーダーボードで上位を占め、Google製品および開発者プラットフォームを通じた配信の恩恵を受けている。

Microsoftは以前、画像編集のリーダーボード比較でMAI-Image-2.5がNano Banana 2を上回ったと述べている。引用されたArenaスコアでは、測定時点のその特定カテゴリーにおいて、Microsoftのモデルが上位に位置していた。

新しいモデルの登場や評価方法の進化に伴い、リーダーボードの順位は変わり得る。また、PowerPointまたはOneDrive内に存在する正確な制約を再現することもできない。

したがって、より持続的な競争はフィードバックループをめぐるものとなる。Googleは消費者向け製品および生産性向上製品から学習でき、MicrosoftはBing、Microsoft 365、Dynamics、Azureから学習できる。

OpenAIは、強力な消費者による直接利用と幅広い開発者基盤を持っている。一方で、ドキュメント、ストレージ、プレゼンテーション、コンタクトセンターにわたるMicrosoftの展開力に匹敵するエンタープライズソフトウェアのポートフォリオは支配していない。

Microsoftの優位性は、自動的により優れたモデルを訓練できることではない。その優位性は、使い慣れた製品内にモデルを配置し、意味のある規模で結果を測定できることにある。

その配信力は弱点にもなり得る。ユーザーは、その動作が以前のものとどう異なるかを理解しないまま、新しい基盤モデルを提供される可能性がある。

エンタープライズチームには、予測可能な品質、安定したポリシー、明確な変更管理が必要だ。切り替えによって一貫性のないブランド素材や信頼性の低い会話が生じるのであれば、運用コストの低下に大きな意味はない。

外部プロバイダーも、Microsoftが社内では実現できない能力を提供することで、なお勝機を得られる。また、特定のクラウドや生産性エコシステムに依存しないモデルを好む開発者を引き付けることもできる。

したがって、この競争はMicrosoftと特定の研究所との対立ではない。Microsoftの統合されたモデル・製品ループと、汎用的な外部モデルへの継続的な依存との競争である。

MAI-Image-2.5-ProとMAI-Voice-2-Flashは、そのループの両端を強化する。一方は目に見えるクリエイティブ成果物の品質向上を目指し、もう一方は反復的な音声インタラクションの効率的なスケールを追求する。

品質、速度、コストのトレードオフこそが製品

Microsoftの最も重要な技術的決定は、単一のアーキテクチャではなく、意図的に異なる運用特性を持つモデルへワークロードを分離することである。

公開されている画像モデルカードでは、MAI-Image-2.5は拡散ベースの生成モデルとして説明されている。拡散モデルは、ノイズを段階的に変換して一貫性のある結果にすることで画像を生成する。

このモデルは、テキストからの画像生成と制御された画像編集の両方をサポートする。Microsoftは、オブジェクトの削除、置換、インペインティング、テキスト更新、アーティファクト除去を想定機能として挙げている。

インペインティングは、周囲のコンテンツを維持しながら画像の選択部分を再構築する。ユーザーが画像全体の再生成ではなく、一点に絞った変更を求める場合に重要な機能である。

モデルカードによると、MAI-Image-2.5は埋め込みを除く200億のパラメーターと、32,000トークンのコンテキスト長を備える。また、出力画像の総画素数は最大1,048,576ピクセルと説明されている。

これらの仕様は、公開時点で利用可能なベース2.5モデルの文書に適用される。Microsoftはローンチ記事で、新しいPro版について同等の公開アーキテクチャ詳細を示していない。

この情報不足により、直接的な技術比較は困難になる。Proの最高忠実度という位置付けは目指す方向を示しているが、報告された改善を生み出したアーキテクチャやトレーニング上の変更は説明していない。

Microsoftによると、同社の画像モデルは、サードパーティーモデルからの蒸留を行わず、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を使用している。蒸留とは、生成されたトレーニングシグナルを通じて、大規模モデルの挙動を小規模モデルへ移す手法である。

この主張は、モデルの独立性とデータガバナンスに関するものだ。ただし、完全なトレーニングコーパスを開示するものでも、生成画像に関連するあらゆるライセンス上の問題を解決するものでもない。

音声モデルのリリースにも別の情報不足がある。Microsoftは速度とコストの比較を示しているが、発表ではFlashに関する幅広い独立した品質評価は公開されていない。

音声品質は状況に左右されるため、この欠落は重要である。短いデモでは、聞き疲れ、発音ミス、感情表現の不整合、長い応答における品質低下が隠れてしまう可能性がある。

コンタクトセンター向けアプリケーションは、厳選されたサンプルではほとんど捉えられない状況にも直面する。発信者は会話に割り込み、話題を切り替え、地域特有のアクセントを使い、口座番号を伝え、ノイズの多い回線を通して話す。

Flashは迅速に応答しながら、こうした状況でも明瞭さを維持しなければならない。その価値は音声生成器だけではなく、エージェントシステム全体に左右される。

だからこそ、Microsoftのモデルファミリーというアプローチには実用的な合理性がある。より低速で表現力豊かなモデルはナレーションやプレミアム体験を担い、Flashは頻繁な取引型のやり取りを処理できる。

同じ原則は画像にも当てはまる。Proは重要度の高いアセットに対応し、他のMAIモデルは下書きや大量生成を処理できる。

モデルルーティングが隠れた中核機能となる。製品は、どのリクエストに追加のコンピューティングを割り当て、どのリクエストでは高速な応答を優先するかを決定しなければならない。

開発者は将来的にAzureを通じて、その判断を手動で行えるようになる可能性がある。Microsoftは、タスクの種類、レイテンシ目標、期待される出力価値に基づき、自社製品内でルーティングを自動化することもできる。

これは運用上の複雑さを生む。チームは複数のモデルを監視し、出力品質を比較し、バージョン変更を管理し、許容可能なフォールバックを定義する必要がある。

同時に、モデルの挙動とビジネス要件をより適切に整合させられる。単一の巨大モデルが、すべてのタスクを同じサービスレベルで実行する必要はなくなる。

したがって、Microsoftの戦略を支える仕組みは、専門化と配布の組み合わせである。専門化はワークロードへの適合性を高め、配布はその適合性を改善するために必要なデータを供給する。

Microsoftの数値がまだ証明していないこと

Microsoftが報告する効率向上は同社の戦略を裏付けるが、品質、方法論、安全性、顧客の選択肢に関する疑問を解消するものではない。

Microsoft Sourceの記事にある最大の主張は、Microsoft自身の製品環境から得られたものだ。これは有益な運用上の背景を提供する一方、独立した再現を困難にする。

報告されたGPU使用量84パーセント削減は、比較基準、ハードウェア、トラフィック、画像設定、品質しきい値に左右される。Microsoftは、PowerPointでの比較を再現するために必要なすべての要因を開示していない。

Dynamics 365の数値にも同じ制約がある。89パーセントの削減は決定的に聞こえるが、そのうちどの程度がモデル設計、デプロイ変更、ワークロードルーティングによるものかを読者は判断できない。

OneDriveの結果は、ユーザー行動とレイテンシが含まれているため、よりバランスが取れている。それでも、保存率の向上だけでは、ユーザーが品質、速度、新規性、インターフェース変更のどれを好んだのかは分からない。

Microsoftは、これらのモデルがどこに表示され、リクエストがどのように到達するかも管理している。基盤モデルの優位性がわずかであっても、製品統合によって結果を改善できる。

独立した評価があれば、モデル品質とシステム設計を切り分けやすくなる。クリエイティブチームには、ブランドの一貫性、タイポグラフィ、複数ステップの編集、難しい空間指示を含むテストが必要だ。

音声サービスの顧客には、割り込み処理、アクセント、名前、数字、長時間のセッション、ノイズの多い音声を網羅する評価が必要である。また、クローン作成やなりすましに対する安全対策の開示も求められる。

以前のMAI-Voice-2の説明では、音声サンプルへの適応に関する安全対策が強調されていた。Flashの発表では、速度、スケール、本番環境へのデプロイにより重点が置かれている。

これは安全対策がなくなったことを意味しない。新しい記事では、大量のエージェント利用シナリオで安全対策がどのように機能するかについて、読者に提供される詳細が限られているということだ。

音声エージェントには、ユーザーが自然な音声を人間の担当者と誤認する可能性があるため、特有のリスクがある。組織には、明確な告知、エスカレーション経路、録音ポリシー、不正な模倣に対する保護が必要である。

生成画像には別の懸念がある。より正確なテキスト生成と編集は正当なデザイン作業を支援できる一方、合成された素材をより説得力のあるものにもできる。

Microsoftのモデルカードには、MAI-Image-2.5は欺瞞的なコンテンツを作成したり、実在する人物になりすましたりしてはならないと記載されている。実際の安全性は、すべての製品とAPIの接点でどのように規則が適用されるかに左右される。

顧客の選択肢も未解決の問題である。Microsoftによると、開発者は同社のモデルポートフォリオを通じて、品質、速度、コストの曲線上で適切な点を選択できる。

Bing、OneDrive、PowerPoint内のエンドユーザーには、それほどの可視性がない可能性がある。Microsoftがモデルを変更したり、タスクのルーティング方法を変えたりしても、ユーザーは把握できないかもしれない。

これは再現可能なワークフローを複雑にする可能性がある。マーケティングチームは、基盤サービスが変更された後も、キャンペーン全体で同じ視覚的挙動を必要とする場合がある。

パブリックプレビューという状態も、慎重になるべき理由の一つである。プレビュー製品は一般提供前に、性能、制限、対応地域、統合動作などが変更される可能性がある。

Microsoftは、自社モデルが主要サービス内で動作できることを示した。しかし、すべての外部開発者がMicrosoft社内と同じ成果を再現できることはまだ示していない。

この違いは決定的に重要である。Microsoftはアプリケーション、インフラストラクチャ、テレメトリ、デプロイ設定を管理できる一方、Azureの顧客が管理できるのは、そのスタックの一部に限られる。

同社の結果は本番環境から得られたものであるため、注目に値する。ただし、外部チームが開示された条件下で同等の評価を公開するまでは、報告上の主張として扱うべきである。

MAI戦略が機能しているかを示す3つのシグナル

次の段階は、外部での採用、再現可能な本番成果、外部モデルからのさらなる置き換えによって評価される。

最初のシグナルは、パブリックプレビューから一般提供への移行である。この移行は、信頼性、サポート、地域対応、安定した開発者アクセスに対する自信の高まりを示すだろう。

また、MAI-Image-2.5-ProとMAI-Voice-2-Flashが、慎重に管理されたMicrosoft環境以外の顧客にも対応できるかが明らかになる。遅延や厳しい利用制限があれば、その主張は弱まる。

開発者は、一般提供と同時に公開される文書に注目すべきだ。詳細な制限、安全管理、レイテンシ指針、バージョニングポリシーは、洗練されたサンプル出力よりも重要になる。

2つ目のシグナルは独立した評価である。画像研究者やクリエイティブチームは、複数ステップの編集、タイポグラフィ、レイアウト保持、ブランドの一貫性についてProをテストすべきだ。

音声開発者は、長時間の会話、割り込み、コードスイッチング、ノイズの多い入力、珍しい名前を使ってFlashをテストすべきである。一貫した結果が得られれば、本番対応に関するMicrosoftの主張が強まる。

公開リーダーボードも参考になるが、ワークロード固有のテストの方が重みを持つ。コンタクトセンター向けのモデルは、コンタクトセンターの構成要素として評価すべきである。

3つ目のシグナルは、Microsoft製品全体への継続的な拡大である。MAIの導入がさらに増えれば、同社の社内モデルが品質と運用要件を繰り返し満たしていることを示す。

最も示唆的なのは、外部モデルを直接置き換える事例である。Microsoftは可能な限り、ワークロード、比較基準、品質しきい値、測定された運用上の変化を開示すべきだ。

MAIがMicrosoft 365、Dynamics、Bing、Azure全体へ拡大すれば、内製戦略の信頼性は高まる。導入が停滞すれば、現在の事例は発表が示唆するよりも限定的だったと判明する可能性がある。

顧客は、MicrosoftがFoundry内で意味のあるモデル選択肢を維持するかどうかにも注目すべきだ。統合されたポートフォリオは、開発者が同様の条件下でMAIと競合モデルを比較できる場合に、より有用になる。

7月23日のリリースは、単に画像関連の発表と音声関連の発表を組み合わせたものではない。専門化と配布を通じてMicrosoftがどのように競争しようとしているかを示すものだ。

MAI-Image-2.5-Proは、目に見える品質のために追加のコンピューティングを正当化できるタスクに対応する。MAI-Voice-2-Flashは、速度と運用効率がサービスのスケール可否を決めるタスクに対応する。

Microsoft Sourceは両方を顧客向けの選択肢として提示しているが、その戦略的価値はさらに深い。それぞれのモデルによって、Microsoftは外部プロバイダーへ全面的に依存することなく、別のワークロードを最適化できるようになる。

開発者や企業の購入担当者にとって、合理的な対応は測定である。実際のアセット、実際の会話、既存のサービスレベル要件に対してモデルをテストすべきだ。

修正率、保存された出力、低速側のレイテンシ、エスカレーション頻度、インフラストラクチャ使用量を追跡する。これらの指標によって、品質・速度・コストの曲線が実際の業務を改善するかどうかが明らかになる。

Microsoftは、モデル、製品への導入事例、そして複数の印象的な社内成果を提示した。次の問いは顧客に委ねられる。同じ成果はMicrosoft自身の壁の外でも維持できるのだろうか？