Modely a platformy AI
Microsoft uvádí MAI-Transcribe-2-Streaming a dva modely MAI-Voice

Klíčové bodyMicrosoftův model pro streamovací přepis vrací částečné hypotézy téměř okamžitě, takže…
Zobrazit více
- Microsoftův model pro streamovací přepis vrací částečné hypotézy téměř okamžitě, takže hlasoví agenti mohou jednat už uprostřed věty.
- MAI-Voice-2.1 zachovává jednu identitu mluvčího napříč mnoha jazyky, takže vícejazyční asistenti znějí jako stejná osoba.
- Spojení streamovacího přepisu s rychlou hlasovou syntézou umožňuje agentům slyšet a odpovídat v přirozeném konverzačním okně.
Microsoft AI dne 1. října 2026 spustil MAI-Transcribe-2-Streaming, svůj první model pro streamování přepisů, spolu se dvěma novými modely převodu textu na řeč, MAI-Voice-2.1 a MAI-Voice-2.1-Flash, přičemž všechny tři jsou k dispozici prostřednictvím Microsoft Foundry.
MAI-Transcribe-2-Streaming a benchmark Artificial Analysis
Microsoft popisuje MAI-Transcribe-2-Streaming jako poskytující přepisy v reálném čase s nízkou latencí ve 60 jazycích s automatickým, kontinuálním rozpoznáváním jazyka. Společnost uvedla, že model je na první příčce co do přesnosti jak pro konečné, tak pro částečné přepisy v benchmarku Artificial Analysis, a že se nachází na Pareto frontě hodnocení přesnosti versus latence, což znamená, že vyšší přesnost nevyžaduje výraznou latenci. Graf žebříčku v příspěvku, citující streamingový žebříček Artificial Analysis ze dne 28. září 2026, ukazuje model s konečnou chybovostí slov 2,5 %, první‑částečnou chybovostí 2,8 % a 0,13 sekundy do konečného přepisu.
Místo čekání, až mluvčí dokončí, než se vrátí text, model vytváří své první hypotézy, známé jako částečné, už za něco málo přes 100 milisekund od zachycení audia a poté je upravuje, jakmile přichází více kontextu, předtím než vytvoří stabilní přepis. Microsoft uvedl, že to umožňuje aplikacím s podporou hlasu reagovat na řeč ještě před tím, než mluvčí skončí: hlasoví agenti mohou začít uvažovat nebo volat nástroje uprostřed věty a živé přepisy se mohou zobrazovat během rozhovoru. Pro diktování a titulkování v reálném čase společnost uvedla, že její interní hodnocení ukazují, že slova se v přepisu objevují dvakrát rychleji než u nejbližšího konkurenta.
Artificial Analysis uvádí, že jeho index AA-WER Streaming měří přesnost přepisu pro modely, kde audio proudí v reálném čase po částech, přibližně po osm hodin audia ze tří datových sad: AA-AgentTalk s 50 %, VoxPopuli s 25 % a Earnings22 s 25 %. Datové sady zahrnují reálnou řeč s různorodými přízvuky, doménově specifickým jazykem a náročnými akustickými podmínkami a měření benchmarku Time to Final a Time to First Partial začínají na konci řeči detekované detektorem hlasové aktivity SileroVAD.
MAI-Transcribe-2-Streaming je k dispozici za úvodní cenu $0,54 za hodinu audia až do konce roku. Model rozšiřuje řadu audio produktů MAI od Microsoftu, která již zahrnuje MAI-Transcribe-2, dřívější model rozpoznávání řeči bez streamování, který společnost označila za nejrychlejší, nejpřesnější a nejlevnější na světě.
MAI-Voice-2.1 a MAI-Voice-2.1-Flash
MAI-Voice-2.1 podporuje 23 jazyků a 26 jazykových a regionálních nastavení a Microsoft uvedl, že jediný hlas může všechny tyto jazyky používat s rodilým přízvukem a zachovat stejnou identitu mluvčího při přepínání jazyků. V příkladu společnosti může výuková aplikace během lekce přepínat jazyky bez výměny učitelů a vícejazyčný asistent může odpovídat v jakémkoli jazyce, ve kterém je osloven, a přitom stále znít jako stejný hlas. Model má cenu $22 za 1 M znaků.
MAI-Voice-2.1-Flash podporuje stejné jazyky a mluvčí napříč jazyky, ale je určen pro úlohy s vysokým objemem a citlivostí na latenci. Dokáže vygenerovat až 45 sekund audia s end‑to‑end latencí 150 milisekund a Microsoft uvedl, že poskytuje o 55 % rychlejší inferenci modelu a je přibližně o 60 % levnější než srovnatelné modely. Model má cenu $15 za 1 M znaků.
Oba hlasové modely podporují klonování hlasu ve všech podporovaných jazycích pomocí několika sekund referenčního audia a mají vestavěné ochranné zábrany souhlasu, které podle Microsoftu zabraňují zneužití. V Turingově testu s 4 000 posluchači, který kombinoval oba nové hlasové modely, 50,3 % posluchačů ohodnotilo MAI-Voice jako stejně nebo více lidský než lidské nahrávky, uvedl Microsoft.
Microsoft představil spárování MAI-Transcribe-2-Streaming s MAI-Voice-2.1-Flash jako získání času na obou koncích smyčky hlasového agenta, tedy sekvence poslouchání, porozumění, rozhodování a mluvení v rámci okna, kde člověk stále vnímá interakci jako konverzaci. Uvedené případy použití pro vývojáře zahrnují agenty zákaznické podpory, kteří přepisují požadavky během jejich vyslovování a odpovídají v přirozené řeči, vícejazyčné asistenty, kteří rozpoznají mluvený jazyk a odpoví v libovolném ze 23 podporovaných jazyků MAI-Voice, a interaktivní výukové a mediální aplikace využívající odlišné mluvčí pro výuku, hraní rolí, simulace, vyprávění a konverzační obsah.
Dostupnost a demo Chatter
MAI-Voice-2.1 a MAI-Voice-2.1-Flash jsou k dispozici prostřednictvím OpenRouter. Všechny tři modely jsou k dispozici přes Microsoft Foundry, MAI Playground, Vercel a Azure Voice Live, přičemž LiveKit je uveden jako brzy dostupný.
Aby ukázal, jak modely spolupracují v živém agentovi, Microsoft vytvořil Chatter, nové demo v MAI Playground, které umožňuje uživatelům mluvit s hlasovým asistentem poháněným transkripčními a hlasovými modely.












