Компания Microsoft представила модель MAI-Transcribe-2-Streaming для преобразования речи в текст в режиме реального времени. Система поддерживает 60 языков с функцией автоматического определения. Первые результаты транскрибации появляются через 100 мс после начала аудиопотока, что позволяет ИИ-агентам обрабатывать данные еще до завершения фразы говорящего.
Внутренние тесты Microsoft показывают, что скорость появления слов в два раза выше, чем у ближайших конкурентов. Модель оценивается по индексу AA-WER Streaming на основе 8 часов аудиозаписей из наборов AA-AgentTalk, VoxPopuli и Earnings22. Задержка измеряется с помощью SileroVAD, а точность промежуточных транскриптов сопоставима с финальными результатами.
Стоимость использования модели составляет $0,54 за час аудио, что эквивалентно $9,00 за 1000 минут. Данная цена является вводной и действует до конца 2026 года. Для сравнения, пакетная версия MAI-Transcribe-2 стоит $0,10 за час. По уровню цен модель сопоставима с решениями Google, но дороже предложений от xAI и Meta.
Интеграция доступна через Realtime API для WebSocket или Azure Speech SDK. Модель представлена в MAI Playground, Vercel и Azure Voice Live, поддержка LiveKit ожидается в ближайшее время. Для создания полноценных голосовых циклов Microsoft предлагает использовать модель в связке с MAI-Voice-2.1-Flash, которая генерирует аудио с задержкой 150 мс.
