Preliminära ord på en tiondels sekund
Microsoft har släppt sin första strömmande tal-till-text-modell, MAI-Transcribe-2-Streaming, tillsammans med två text-till-tal-modeller, MAI-Voice-2.1 och den snabbare varianten MAI-Voice-2.1-Flash. Transkriberingsmodellen börjar leverera preliminära ord — i branschen kallade partials — drygt 100 millisekunder efter att den börjat ta emot ljud, och reviderar dem sedan allteftersom mer tal kommer in.
Just den revideringen är hela poängen med en strömmande modell. En satsvis transkriberare väntar tills talaren tystnar; en strömmande chansar tidigt och rättar sig själv, vilket är det som gör att en röstagent kan avbryta och bli avbruten. Microsoft uppger att modellen stöder 60 språk med automatisk, löpande språkidentifiering, så den som byter språk mitt i en mening behöver inte annonsera det.
Påståendet, och vems det är
Microsoft skriver att modellen “rankas som nummer 1 i träffsäkerhet för både slutliga och preliminära transkript på Artificial Analysis”, och att ord dyker upp dubbelt så snabbt som hos närmaste konkurrent. Artificial Analysis är en oberoende utvärderare, men rankningen här är Microsofts egen beskrivning av var modellen hamnade, publicerad av Microsoft på lanseringsdagen. Det är en leverantörs redogörelse för ett tredjepartsresultat, inte en oberoende genomgång, och bolaget namnger inte konkurrenten man dubblade.
Röstsidan, och priset
MAI-Voice-2.1 täcker 23 språk och 26 språkvarianter, och Microsoft säger att en och samma syntetiska röst kan röra sig mellan dem utan att låta som en annan talare — just det fel som avslöjar flerspråkig talsyntes. Båda röstmodellerna kan klona en röst på alla stödda språk utifrån några sekunders referensljud, med vad Microsoft kallar inbyggda samtyckesspärrar mot missbruk.
Priserna är den aggressiva delen. MAI-Voice-2.1 kostar 22 dollar per miljon tecken och Flash-varianten 15. Den strömmande transkriberingsmodellen kostar 0,54 dollar per timme ljud som introduktionspris till och med utgången av 2026.
Två trånga veckor för talteknik
Det här landar mitt i den mest intensiva period röstmarknaden haft. ElevenLabs släppte den 30 september en ny talarkitektur som tar regianvisningar, och fördubblade samma vecka sin värdering utan att ta in nytt kapital. Fermion Research öppnade en 164 megabyte stor transkriberingsmodell som går på en bärbar dator. Suno lade på torsdagen till talad röst i sin musikgenerator.
Det som skiljer Microsofts intåg är vart det siktar. Bolaget har sagt att man vill ha modellerna i samtalstranskribering i Teams och i klinisk transkribering i produkten Dragon Copilot för vårdgivare — inlåsta arbetsflöden med stora volymer, där en tiondels sekund och en femtedels cent snabbt blir mycket.
Följ de oberoende topplistorna snarare än lanseringsinlägget. Artificial Analysis publicerar egna tabeller, och en leverantörs anspråk på en förstaplats håller eller håller inte så fort alla andra har skickat in sina resultat.
