בקצרה: ב-1 באוקטובר 2026 מיקרוסופט השיקה את MAI-Transcribe-2-Streaming, מודל תמלול בזמן אמת ל-60 שפות שמדורג ראשון בדיוק ב-Artificial Analysis. הטקסט הראשון מופיע אחרי בערך 100 מילישניות, והמחיר 0.54 דולר לשעת אודיו עד סוף השנה. לידו יצאו שני מודלי קול חדשים: MAI-Voice-2.1 ו-MAI-Voice-2.1-Flash.
רוב כלי התמלול מחכים שהמשפט ייגמר. MAI-Transcribe-2-Streaming לא מחכה. הוא מציג טיוטה ראשונה של המילים בערך 100 מילישניות אחרי ששמע אותן, ואז מתקן ומקבע את הטקסט ככל שעוד אודיו נכנס. הוא גם מזהה את השפה לבד, וממשיך לזהות אם הדובר עובר שפה באמצע.
ב-Artificial Analysis הוא במקום הראשון בדיוק, גם בטיוטות המוקדמות וגם בתמלול הסופי. לפי הבדיקות הפנימיות של מיקרוסופט, המילים מופיעות בערך פי 2 מהר יותר מהמתחרה הכי קרוב.
סוכן קול צריך לשמוע, להבין, להחליט ולענות, מספיק מהר כדי שזה ירגיש כמו שיחה. כשהטקסט זורם בזמן אמת, הסוכן יכול להתחיל לחשוב ולהפעיל כלים עוד לפני שהמשתמש סיים את המשפט. אותו דבר נכון לכתוביות חיות ולהכתבה.
שניהם תומכים בשכפול קול מכמה שניות של הקלטה, עם מנגנון מובנה שדורש הסכמה.
MAI-Transcribe-2-Streaming עולה 0.54 דולר לשעת אודיו עד סוף 2026. שלושת המודלים זמינים דרך Microsoft Foundry ו-MAI Playground. מודלי הקול נמצאים גם ב-OpenRouter וב-Vercel.
מקור: ההודעה של Microsoft AI