MAI-Transcribe-2-Streaming начинает отдавать текст чуть больше чем через 100 миллисекунд после прихода аудио. Человек ещё говорит, а первые слова уже появляются на экране.
На этом и строится идея Microsoft для голосовых агентов. Модель может по ходу реплики начать рассуждать, вызвать инструмент или показать субтитры. Рядом компания выпустила MAI-Voice-2.1 и MAI-Voice-2.1-Flash — агент теперь может слышать и отвечать.
Новость появилась 1 октября 2026 года. Рунет её пока почти не разбирал, поэтому посмотрим на механику, деньги и ограничения без лишнего восторга.
MAI-Transcribe-2-Streaming работает до конца фразы
Обычная транскрибация ждёт окончания аудиофайла и только потом возвращает текст. Streaming-модель отправляет временные версии, исправляет их по мере появления контекста и постепенно фиксирует стабильный результат.
В Microsoft эти временные версии называют partials — частичными гипотезами. Первые приходят чуть больше чем через 100 мс после получения звука. В китайском разборе IT之家 отдельно указано: финальная транскрипция в тесте Artificial Analysis появлялась примерно через 0,13 секунды после окончания речи.
Метрики здесь разные. Первая показывает, когда система начинает печатать. Вторая — когда появляется устойчивый финальный текст. Microsoft также сообщает, что в её внутренних тестах слова появлялись в два раза быстрее, чем у ближайшего конкурента в задачах диктовки и субтитров.
По данным Artificial Analysis, модель заняла первое место среди 28 потоковых speech-to-text-моделей. В опубликованных сравнениях фигурируют такие показатели:
• итоговый WER — 2,50%; это доля ошибок в словах; • Grok Voice Transcribe 2.0 Streaming — 2,73%; • ElevenLabs Scribe v2 Realtime — 3,59%; • первое место заявлено для финальных и частичных транскриптов.
Есть и оговорка. Рейтинг и цифры опубликовала Microsoft со ссылкой на Artificial Analysis, а независимый каталог LLMLearner на момент публикации не фиксирует собственных benchmark-результатов. Качество на русском, шумных созвонах, шёпоте и названиях брендов лучше проверять на своих исходниках.
Модель поддерживает 60 языков и умеет непрерывно определять язык автоматически. Вручную переключать язык в начале разговора не требуется. Для международной поддержки или интервью с несколькими языками это вполне пригодится.
Цена стриминговой транскрибации и типичная ошибка
До конца 2026 года MAI-Transcribe-2-Streaming стоит $0,54 за аудиочас. В пересчёте из каталога LLMLearner это $0,009 за минуту. Цена вводная, а стоимость после этого периода Microsoft пока не объявила.
Для живых субтитров цифра выглядит интересно. Для готовых записей — уже не так очевидно. У Microsoft есть обычная MAI-Transcribe-2: по данным Digital Today и IT之家, её цена в публичном превью Azure Speech составляет $0,10 за аудиочас.
Разница больше чем в пять раз. При этом задачи у моделей разные:
• запись уже закончилась — берите batch-транскрибацию; • текст нужен во время речи — нужен Streaming; • агент должен реагировать ещё до паузы — частичные результаты становятся частью его логики.
«Объединяя распознавание речи и её генерацию, мы получаем высокое качество и скорость», — заявил Мустафа Сулейман, CEO Microsoft AI. По его словам, новые MAI-модели со временем должны заменить используемые внутри компании голосовые модели.
Microsoft собирает собственный цикл «услышать — понять — сказать» и хочет применять его в Copilot, Teams и медицинском Dragon Copilot. Разработчику это даёт меньше разрозненных сервисов, зато усиливает зависимость от одного поставщика.
MAI-Voice-2.1 и Flash: один голос на разных языках
MAI-Voice-2.1 превращает текст в речь на 23 языках и 26 локалях. Главная особенность — сохранение одной узнаваемой личности голоса при переключении языка. Модель также должна подстраивать акцент и локальные формулировки под язык.
Сценарий для креатора понятный: один голос бренда для роликов на английском, испанском и французском. В образовательном приложении виртуальный преподаватель тоже не будет звучать как другой человек после смены языка.
MAI-Voice-2.1 стоит $22 за миллион символов. Flash дешевле — $15 за миллион символов — и рассчитан на задачи, где важнее скорость и объём.
Microsoft заявляет для Flash 150 миллисекунд сквозной задержки при генерации 45 секунд аудио, а также ускорение инференса на 55%. Компания сравнивает цену с сопоставимыми моделями и говорит о снижении примерно на 60%. В hands-on-тесте MindStudio скорость и качество проверяли на испанском, арабском, бразильском португальском, хинди, урду, китайском, французском и других языках. Автор отдельно отметил, что цена Flash всё ещё может показаться высокой.
Обе Voice-модели умеют клонировать голос по нескольким секундам референсного аудио. Для доступа к функции нужно одобрение, а использовать можно голос только с согласием владельца. Клон голоса ведущего или клиента без разрешения быстро превращается из фичи в юридическую проблему.
Как применить MAI-Transcribe-2-Streaming креатору
Я бы начинал с задач, где задержка заметна глазами. Например, с живых субтитров на стриме, вебинаре или интервью.
Рабочая схема выглядит так:
1. Передаём поток аудио в MAI-Transcribe-2-Streaming. 2. Показываем partial-текст зрителю сразу, но визуально отличаем его от подтверждённых слов. 3. Когда модель присылает стабильную версию, заменяем временный текст. 4. После завершения фразы отправляем финальную транскрипцию в LLM для глав, таймкодов, описания или поиска цитат. 5. Если нужен голосовой ответ, передаём результат в MAI-Voice-2.1 или более быстрый Flash.
Для видео это может закрыть несколько рутинных операций: черновые субтитры, поиск фрагментов интервью, подготовку коротких цитат и голосовые версии роликов. Частичный текст нельзя сразу сохранять как финальный. Модель ещё способна исправить имя, термин или целую конструкцию.
Доступ к моделям заявлен через Microsoft Foundry, MAI Playground и Vercel. Две Voice-модели также доступны через OpenRouter. Для Foundry Microsoft указывает public preview и два пути интеграции: OpenAI Realtime-compatible WebSocket API или Azure Speech SDK. Поддержка LiveKit должна появиться позже.
Проверить связку можно в MAI Playground через демонстрацию Chatter. Она соединяет распознавание и синтез речи в одного агента. При этом японское ITmedia AI+ заметило практическое ограничение демо: японскую речь оно распознаёт, но среди языков ответа японского пока нет.
Где этот стек пока не закрывает все вопросы
Первое — public preview. Перед продакшеном придётся проверить стабильность API, лимиты, доступность региона и поведение при обрывах соединения. Особенно если агент должен работать без оператора.
Второе — русский язык и реальные условия. Поддержка 60 языков не гарантирует одинакового качества для каждого акцента, микрофона и шумного помещения. Отдельно гоняйте имена собственные, названия моделей, сленг и термины вашей ниши.
Третье — экономика. Для записи на час $0,54 выглядит недорого. Но у голосового агента аудио идёт постоянно, плюс добавляются вызовы LLM, синтез речи, хранение и инфраструктура. Низкая цена одного слоя ещё не делает весь продукт дешёвым.
И четвёртое — голосовой клон. Несколько секунд референса дают сильный эффект, но вместе с ним появляется риск подделки. Согласие владельца голоса нужно фиксировать до публикации, а не после первого письма от правообладателя.
Короче, Microsoft выпустила набор деталей для живого разговора. Streaming отвечает за скорость реакции, Voice — за узнаваемость, Flash — за массовые сценарии. Для креаторов главный тест простой: что важнее в вашей задаче — получить текст дёшево после записи или начать действовать ещё до того, как человек договорил.
Собрать цепочку генераций и обработки можно в Workflow
Источники
Our first streaming transcription model debuts at no. 1 on Artificial Analysis | Microsoft AI
MAI-Transcribe-2 | Microsoft AI
Microsoft MAI-Voice-2.1 and MAI-Transcribe-2: Voice AI Models Tested
MAI-Transcribe-2-Streaming: Specs
