أطلقت Microsoft AI نموذج MAI-Transcribe-2-Streaming في 1 أكتوبر 2026 — وهو أول نموذج تحويل كلام إلى نص يعمل في الوقت الفعلي — إلى جانب نموذجين جديدين لتحويل النص إلى كلام: MAI-Voice-2.1 والأسرع MAI-Voice-2.1-Flash. النماذج الثلاثة متاحة عبر Microsoft Foundry للمطورين الذين يبنون وكلاء محادثة صوتية.

المواصفة الأبرز هي زمن الاستجابة: ينقل النموذج المباشر 60 لغة مع كشف تلقائي ومستمر للغة، ويُصدر فرضيات الكلمات الأولى ("الجزئية") بعد نحو 100 مللي ثانية فقط من وصول الصوت — ثم يراجعها مع توالي السياق ويثبت نسخة نهائية مستقرة. وتقول Microsoft إن اختباراتها الداخلية تُظهر ظهور الكلمات أسرع بنحو ضعفين مقارنة بأقرب منافس في الإملاء الفوري والترجمة الحية، ما يتيح لوكلاء الصوت بدء الاستدلال في منتصف الجملة. وعلى لوحة الصدارة المباشرة في Artificial Analysis، يحتل النموذج المرتبة الأولى في دقة النصوص النهائية والجزئية معًا (معدل خطأ كلمات 2.5%) بين 38 نموذجًا.

وسعّرت Microsoft النموذج بسعر تنافسي للمتبنين الأوائل: سعر تمهيدي 0.54 دولار لكل ساعة صوت حتى نهاية العام (الأسعار تتغير كثيرًا — تحقق من الموقع الرسمي). النماذج في مرحلة المعاينة العامة، لذا لا تشملها اتفاقية مستوى خدمة ولا يُنصح باستخدامها في أحمال الإنتاج حتى الإتاحة العامة.

المصادر