AitopkitMicrosoft AI a lancé MAI-Transcribe-2-Streaming le 1er octobre 2026 — son premier modèle de transcription vocale en temps réel — aux côtés de deux nouveaux modèles de synthèse vocale, MAI-Voice-2.1 et le plus rapide MAI-Voice-2.1-Flash. Les trois sont disponibles via Microsoft Foundry pour les développeurs qui construisent des agents vocaux conversationnels.
La spécification phare, c'est la latence : le modèle en streaming transcrit en 60 langues avec détection de langue automatique et continue, et émet ses premières hypothèses de mots (« partiels ») à peine plus de 100 millisecondes après l'arrivée de l'audio — en les révisant au fil du contexte et en validant une transcription finale stable. Microsoft affirme que ses tests internes montrent des mots apparaissant environ 2 fois plus vite que son concurrent le plus proche pour la dictée temps réel et les sous-titres live, permettant aux agents vocaux de commencer à raisonner au milieu d'une phrase. Sur le classement streaming d'Artificial Analysis, le modèle se place n°1 en précision des transcriptions finales et partielles (2,5 % de taux d'erreur de mots) parmi 38 modèles.
Microsoft l'a aussi tarifié agressivement pour les early adopters : un tarif d'introduction de 0,54 $ l'heure d'audio jusqu'à la fin de l'année (les prix changent souvent — vérifiez le site officiel). Les modèles sont en aperçu public, donc sans accord de niveau de service et non recommandés pour les charges de production avant la disponibilité générale.