בקצרה: ב-1 באוקטובר 2026 מיקרוסופט השיקה את MAI-Transcribe-2-Streaming, מודל תמלול בזמן אמת ל-60 שפות, שהגיע למקום הראשון בדיוק במבחנים של Artificial Analysis. הוא מציג טקסט ראשון אחרי כ-100 אלפיות שנייה, ועולה 0.54 דולר לשעת אודיו עד סוף השנה. לצידו הושקו שני מודלי קול: MAI-Voice-2.1 ו-MAI-Voice-2.1-Flash.
רוב מערכות התמלול מחכות לסוף המשפט. המודל הזה לא. הוא מציג טיוטה של המילים כ-100 אלפיות שנייה אחרי ששמע אותן, ומדייק אותה ככל שמגיע עוד אודיו. הוא גם מזהה את השפה לבד, וממשיך לזהות אם הדובר מחליף שפה באמצע.
במבחנים של Artificial Analysis הוא במקום הראשון בדיוק, גם בתמלול הביניים וגם בתמלול הסופי. לפי הבדיקות של מיקרוסופט, המילים מופיעות בערך פי שניים מהר יותר מאצל המתחרה הקרוב.
סוכן קולי צריך לשמוע, להבין, להחליט ולענות, וכל זה מהר מספיק כדי שזה ירגיש כמו שיחה. כשהטקסט מגיע תוך כדי דיבור, הסוכן יכול להתחיל לחשוב ולהפעיל כלים עוד לפני שהמשתמש סיים. אותו דבר בכתוביות חיות ובהכתבה.
שניהם תומכים בשכפול קול מכמה שניות של הקלטה, עם הגנות מובנות שדורשות 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 זמינים גם ב-OpenRouter וב-Vercel.
מקור: ההודעה של מיקרוסופט