Microsoft представила три модели для голосового взаимодействия: MAI-Transcribe-2-Streaming для распознавания речи и MAI-Voice-2.1 с MAI-Voice-2.1-Flash для синтеза текста в речь. Эти инструменты позволяют разработчикам создавать голосовых помощников, способных обрабатывать аудиопотоки и мгновенно отвечать пользователю.
Модель MAI-Transcribe-2-Streaming поддерживает 60 языков с автоматическим определением. По данным Artificial Analysis, она занимает первое место в рейтинге потоковой транскрипции с частотой ошибок около 2,5% и задержкой выдачи текста 0,13 секунды после окончания речи. Стоимость использования составляет $0,54 за час аудио до конца 2026 года.
Модель MAI-Voice-2.1 поддерживает 23 языка и 26 региональных вариантов по цене $22 за миллион символов. Версия MAI-Voice-2.1-Flash обеспечивает прирост скорости вывода на 55% и стоит $15 за миллион символов. Обе модели поддерживают клонирование голоса при наличии согласия владельца, при этом для работы требуются аудиофрагменты длительностью от 5 до 60 секунд.
Модели доступны через Microsoft Foundry, MAI Playground и Vercel. Голосовые модели также интегрированы в OpenRouter и Azure Voice Live. Сейчас продукты находятся в стадии публичного превью: Microsoft не предоставляет соглашений об уровне обслуживания и не рекомендует использовать их в критических производственных задачах.
