Microsoft continua a espandere la propria famiglia di modelli MAI (Microsoft AI) con un'attenzione sempre maggiore alle esigenze vocali. Dopo il successo riscosso lo scorso mese da 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, l'azienda di Redmond ha presentato tre nuove soluzioni: MAI-Transcribe-2-Streaming, MAI-Voice-2.1 e MAI-Voice-2.1-Flash. L'obiettivo è costruire assistenti vocali in grado di rispondere senza quelle fastidiose pause di silenzio che fanno temere che la chiamata sia caduta.
Trascrizione in streaming: 60 lingue e 100 millisecondi
Il nuovo MAI-Transcribe-2-Streaming rappresenta un'evoluzione significativa rispetto al modello precedente, che lavorava esclusivamente su audio registrato. La versione streaming, non appena riceve l'audio, produce una prima trascrizione parziale in poco più di 100 millisecondi. Successivamente il sistema corregge e affina il testo man mano che il contesto si chiarisce, fino a produrre la versione definitiva. Il modello comprende 60 lingue e riconosce automaticamente il cambio di idioma, anche a metà conversazione. Secondo Microsoft, su Artificial Analysis il modello è primo per accuratezza sia sui testi parziali sia su quelli finali. Nei test interni su dettatura e sottotitoli, le parole comparivano il doppio più in fretta rispetto al rivale più vicino, anche se si tratta di dati aziendali da prendere con cautela.
La modalità streaming ha un costo di 0,54 dollari all'ora di audio fino alla fine del 2026, oltre cinque volte il prezzo promozionale del modello non streaming. Come spesso accade, la velocità ha un prezzo.
Sintesi vocale multilingue e clonazione della voce
Sul fronte dell'output, MAI-Voice-2.1 è il nuovo modello di sintesi vocale multilingue che parla 23 lingue in 26 varianti locali. Una stessa voce può passare da una lingua all'altra mantenendo la propria riconoscibilità, con un accento nativo adatto a ogni idioma. Il costo è di 22 dollari per milione di caratteri. Il modello precedente, MAI-Voice-2, e la sua variante Flash lavoravano già dietro le quinte di Dynamics 365 Contact Center e di Azure Voice Live; la nuova versione offre prestazioni migliori.
Per chi ha molti utenti e poca pazienza c'è MAI-Voice-2.1-Flash, che genera 45 secondi di audio con circa 150 millisecondi di latenza complessiva. Secondo Microsoft l'inferenza è più veloce del 55% e costa circa il 60% in meno rispetto a modelli paragonabili, con un listino di 15 dollari per milione di caratteri. Entrambi i modelli vocali supportano la clonazione del timbro vocale a partire da pochi secondi di audio di riferimento, in tutte le lingue supportate. Una funzionalità che apre scenari interessanti ma anche preoccupanti, considerando i potenziali abusi da parte di truffatori.
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. Inoltre, possono essere utilizzati attraverso Azure Voice Live. Con questa nuova offerta, Microsoft punta a consolidare la propria posizione nel mercato dell'AI vocale, offrendo soluzioni sempre più rapide, precise e accessibili per sviluppatori e aziende.
