Microsoft представила MAI-Transcribe-2-Streaming — свою первую модель для потоковой транскрибации речи в реальном времени. Система поддерживает 60 языков и функцию автоматического определения языка. Технология позволяет приложениям распознавать намерения пользователя и запускать инструменты еще до завершения фразы.
По данным тестирования Artificial Analysis от 28 сентября, модель показала частоту ошибок 2,50% при задержке транскрибации 0,13 секунды. Это позволило ей занять первое место среди 28 аналогичных моделей, опередив Grok Voice Transcribe 2.0 Streaming с показателем 2,73% и ElevenLabs Scribe v2 Realtime с 3,59%.
Первые фрагменты текста генерируются через 100 с небольшим миллисекунд после получения аудио, а полный текст может отображаться через 320 миллисекунд. Доступ к модели открыт через Microsoft Foundry, MAI Playground и OpenRouter. Стоимость использования составляет $0,54 в час или $9 за 1 000 минут.
Новинка дополняет нестриминговую модель MAI-Transcribe-2, доступную в Azure Speech за $0,10 в час. Если ранняя версия предназначена для обработки готовых записей и протоколов встреч, то потоковая модель ориентирована на живое общение, субтитры в реальном времени и интерактивные сценарии.
