Microsoft выпустила MAI-Transcribe-2-Streaming и две голосовые модели MAI-Voice-2.1

Три модели одним релизом

Microsoft AI 1 октября 2026 года представила три модели для голосовых агентов: streaming-распознавание речи MAI-Transcribe-2-Streaming и два синтезатора речи — MAI-Voice-2.1 и MAI-Voice-2.1-Flash.

Компания описывает их как быстрые и удобные строительные блоки для разговорных интерфейсов, где не приходится жертвовать точностью ради качества голоса.

В сообщении подчёркивается, что голосовой агент — это цикл, в котором систему нужно услышать, понять, решить и ответить внутри окна, пока человек ещё воспринимает взаимодействие как разговор.

Каждый компонент такого цикла либо выигрывает время в этом окне, либо тратит его.

MAI-Transcribe-2-Streaming: партиалы за ~100 мс

MAI-Transcribe-2-Streaming выдаёт транскрипты в реальном времени на 60 языках и поддерживает автоматическое непрерывное определение языка.

По оценке Artificial Analysis модель занимает первое место по точности и для финальных, и для частичных транскриптов, а на графике «точность против задержки» располагается на Pareto frontier.

Вместо того чтобы ждать окончания фразы, модель выдаёт первые гипотезы, так называемые partials, чуть более чем через 100 мс после получения аудио, затем пересматривает их по мере поступления контекста и сразу фиксирует стабильный вариант.

Такие partials позволяют голосовому агенту начать рассуждение или вызвать инструмент, пока собеседник ещё не договорил, а живые субтитры появляются прямо по ходу речи.

Для сценариев реального времени — диктовки и субтитров — внутренние оценки Microsoft показывают, что слова появляются в транскрипте вдвое быстрее, чем у ближайшего конкурента.

Стартовая цена MAI-Transcribe-2-Streaming — $0,54 за час аудио, предложение действует до конца года.

MAI-Voice-2.1: один голос на 23 языках

MAI-Voice-2.1 в Microsoft называют своей самой сильной многоязычной text-to-speech моделью на сегодняшний день.

Поддержку расширили до 23 языков и 26 локалей, при этом один и тот же «голос» говорит на всех языках с естественным для каждого из них акцентом.

Практический смысл — единый голос бренда везде: обучающее приложение переключает язык посреди урока без смены «преподавателя», а многоязычный ассистент отвечает на языке обращения, оставаясь узнаваемо тем же голосом.

Цена MAI-Voice-2.1 — $22 за 1 млн символов.

MAI-Voice-2.1-Flash: для больших объёмов

MAI-Voice-2.1-Flash поддерживает те же языки и кросс-языковых говорящих, но настроен под высоконагруженные сценарии с жёсткими требованиями к задержке.

Он генерирует до 45 секунд аудио при end-to-end задержке всего 150 мс, даёт на 55% более быстрый инференс и примерно на 60% дешевле сопоставимых моделей — при цене $15 за 1 млн символов.

Microsoft позиционирует Flash как естественную пару для MAI-Transcribe-2-Streaming при построении естественных голосовых агентов с низкой задержкой.

Компания формулирует выигрыш так: сочетание двух моделей возвращает время на обоих концах цикла и оставляет агенту больше места на рассуждение, работу с инструментами и проверку собственного ответа.

Клонирование голоса и согласия

Обе голосовые модели умеют клонировать голос на всех поддерживаемых языках, используя лишь несколько секунд эталонного аудио.

Одновременно в них встроены guardrails согласия, призванные предотвращать злоупотребления.

Заявленные сценарии и точки входа

Среди сценариев, которые можно собирать уже сегодня, названы агенты клиентского сервиса: они расшифровывают запрос по ходу речи, начинают действовать до того, как звонящий договорит, и отвечают естественной речью.

Для многоязычных ассистентов заявлено автоматическое определение языка и ответ на любом из 23 поддерживаемых языков MAI-Voice тем же голосом и с естественным акцентом.

Третий блок — обучение и медиа: разные говорящие для тьюторинга, ролевых игр, симуляций, нарратива и разговорного контента на всех поддерживаемых языках.

Обе модели MAI-Voice-2.1 доступны через OpenRouter, а все три модели — через Microsoft Foundry, MAI Playground, Vercel, LiveKit (заявлен как coming soon) и Azure Voice Live.

Чтобы показать, как модели работают вместе в живом агенте, компания собрала демо Chatter в MAI Playground.

Что проверять перед внедрением

Заявленное лидерство в Artificial Analysis относится к конкретной методике оценки и не гарантирует такого же результата на телефонной линии, шумном микрофоне или в разговоре с перекрывающимися голосами.

Стартовые цены — $0,54 за час аудио и $15 за 1 млн символов — действуют до конца года; постоянные тарифы после акции публикация не называет.

Для голосового агента важнее задержки отдельной модели оказывается полный цикл «услышать — понять — решить — ответить», поэтому проверять стоит сквозную латентность собственного пайплайна, а не одну метрику из сравнительной таблицы.

Клонирование голоса по нескольким секундам аудио и встроенные guardrails согласия — отдельная тема для юридической проверки перед использованием голоса в продукте.