Microsoft continua a sfornare modelli MAI fatti in casa per ogni tipo di esigenza: immagini, ragionamento, codice e voce. Il mese scorso era toccato a MAI-Transcribe-2, che nei test interni ha superato i concorrenti di OpenAI e Google con un costo dichiarato di appena 0,10 dollari all’ora. Un prezzo che, nel mercato dell’AI, suona quasi come un’offerta da supermercato.
Microsoft lancia tre nuovi modelli MAI per trascrizione e voce in tempo reale
Ora arrivano tre nuovi modelli: MAI-Transcribe-2-Streaming, MAI-Voice-2.1 e MAI-Voice-2.1-Flash. Microsoft li immagina come componenti di un unico sistema: uno ascolta, uno dà voce alle risposte e il terzo fa la stessa cosa, solo più velocemente. L’obiettivo è costruire assistenti vocali capaci di rispondere senza quei due secondi di silenzio che fanno pensare, ogni volta, che la chiamata sia caduta.
Il vecchio MAI-Transcribe-2 lavorava solo sull’audio registrato, mentre il modello Streaming, appena arriva l’audio, dopo poco più di 100 millisecondi, sputa fuori una prima trascrizione parziale. Poi ci ripensa, la corregge man mano che il contesto si chiarisce, e solo alla fine mette il timbro sul testo definitivo.
Capisce 60 lingue e riconosce da solo quando chi parla cambia idioma, anche a metà conversazione. Microsoft dice che su Artificial Analysis è primo per accuratezza, sia sui testi parziali sia su quelli finali. Nei suoi test interni su dettatura e sottotitoli, le parole comparivano il doppio più in fretta rispetto al rivale più vicino. Sono dati di casa, quindi conviene sempre non fidarsi troppo.
La modalità streaming costa 0,54 dollari all’ora di audio fino alla fine del 2026, oltre cinque volte il prezzo promozionale del fratello che aspetta la fine del discorso. La fretta si paga.
La voce che cambia lingua senza cambiare faccia
Sul fronte dell’output, MAI-Voice-2.1 è il nuovo modello di sintesi vocale multilingue. Parla 23 lingue in 26 varianti locali. Una stessa voce può saltare da una lingua all’altra restando riconoscibile, con l’accento nativo adatto a ogni idioma.
Costa 22 dollari per milione di caratteri. Il modello precedente, MAI-Voice-2, e la sua variante Flash già lavoravano dietro le quinte di Dynamics 365 Contact Center e di Azure Voice Live. Qui la versione nuova rifà il lavoro con qualche muscolo in più.
Flash, quello che non ha tempo da perdere
Per chi ha tanti utenti e poca pazienza c’è MAI-Voice-2.1-Flash. Genera 45 secondi di audio con circa 150 millisecondi di latenza complessiva, da capo a fondo. Secondo Microsoft l’inferenza è più veloce del 55% e costa circa il 60% in meno rispetto a modelli paragonabili. Il listino parla di 15 dollari per milione di caratteri.
Entrambe le voci sanno anche clonare un timbro vocale a partire da pochi secondi di audio di riferimento, in tutte le lingue supportate. Immaginiamo la gioia dei truffatori e, con un po’ più di ottimismo, quella di chi deve doppiare un corso aziendale…
Disponibilità
I tre modelli sono disponibili su Microsoft Foundry, nel MAI Playground e su Vercel. I due modelli vocali si trovano anche su OpenRouter, mentre il supporto a LiveKit è annunciato come imminente. Si possono usare inoltre attraverso Azure Voice Live.
Ti potrebbe interessare
2 ott 2026