Microsoft AI выпустила MAI-Transcribe-2-Streaming и модели MAI-Voice-2.1

1 октября 2026 Microsoft AI запустила MAI-Transcribe-2-Streaming, свою первую потоковую модель транскрипции, вместе с моделями синтеза речи MAI-Voice-2.1 и MAI-Voice-2.1-Flash, доступными через Microsoft Foundry и связанные каналы, сообщили Unite.AI и материалы Microsoft.

Заявления о потоковой транскрипции

Microsoft описывает MAI-Transcribe-2-Streaming как низколатентную транскрипцию в реальном времени на 60 языках с непрерывным автоопределением языка. Ссылаясь на таблицу Artificial Analysis от 28 сентября 2026, компания указывала примерно 2,5% итоговой частоты ошибок по словам, 2,8% для первого частичного результата и около 0,13 с до финальной транскрипции; первые partials — чуть более 100 мс. Вводная цена — $0,54 в час аудио до конца года.

Голосовые модели

MAI-Voice-2.1 поддерживает 23 языка / 26 локалей с сохранением одной голосовой идентичности ($22 за 1 млн символов). MAI-Voice-2.1-Flash рассчитан на высокую нагрузку и низкую задержку — до 45 с аудио при ~150 мс end-to-end — за $15 за 1 млн символов; Microsoft заявляет примерно 55% более быстрый инференс и около 60% меньшую стоимость. Обе модели поддерживают клонирование голоса по нескольким секундам с ограничениями согласия. В тесте на 4000 слушателей 50,3% оценили MAI-Voice как не менее «человечный», чем записи людей.

Доступность и оговорки

Модели доступны через Microsoft Foundry, MAI Playground, Vercel и Azure Voice Live (LiveKit — скоро); голос также через OpenRouter. Лидерство в бенчмарках и «человечность» — заявления вендора; это обзор запуска продукта, не рекомендация.