Microsoft 1 жовтня випустила MAI-Transcribe-2-Streaming — першу стримінгову модель транскрипції в родині MAI. Ціна — $0,54 за годину аудіо.

Стримінг скорочує паузи між репліками: транскрипт уточнюється, поки людина говорить. Для білдерів голосових продуктів це означає, що живі субтитри й ранній старт обробки запиту стають базовим сценарієм, а не окремою фічею. Microsoft разом із транскрипцією випустила дві моделі синтезу мовлення, тож команда отримує розпізнавання й озвучення з однієї лінійки MAI. За даними SiliconANGLE, ставка зроблена на агентів, які слухають і відповідають майже як люди. У підтримці й продажах це відчутно особливо: клієнт чекає реакції без пауз.

Що вміє MAI-Transcribe-2-Streaming?

MAI-Transcribe-2-Streaming приймає мовлення через WebSocket і повертає транскрипт, який уточнюється, поки людина говорить, а після завершення фрази позначає його як фінальний. Такий режим дає змогу показувати живі субтитри й передавати проміжний текст у наступний крок пайплайну ще до кінця речення.

Модель доступна в Vercel AI Gateway з опублікованим прайсом. Microsoft MAI-Transcribe-2-Streaming підтримує понад 60 мов і сама визначає мову співрозмовника. Перші гіпотези модель віддає в середньому за 320 мілісекунд, але Microsoft не гарантує цю швидкість у всіх сценаріях: відповідь залежить ще й від мережі та системи, яка генерує відповідь.

Скільки коштує стримінг проти звичайної транскрипції?

Microsoft MAI-Transcribe-2-Streaming коштує $0,54 за годину аудіо. Звичайна Microsoft MAI-Transcribe-2, яка вийшла минулого місяця, — $0,10 за годину, тобто понад у пʼять разів дешевше. Різниця пояснюється обсягом роботи: стримінгова модель постійно рахує проміжні результати, поки надходить аудіо, а звичайна чекає, коли співрозмовник договорить, і лише тоді обробляє запис.

Для кол-центру це два різні бюджети: дорожчий стримінг для діалогів, де рахується кожна десята секунда, і дешевий режим для записів після дзвінка. Вибір варто рахувати за вартістю хвилини діалогу з перебиваннями, а не за погодинним прайсом.

Що дають MAI-Voice-2.1 і MAI-Voice-2.1-Flash?

Microsoft MAI-Voice-2.1 і Microsoft MAI-Voice-2.1-Flash перетворюють текст на мовлення для відповіді агента. Microsoft позиціонує MAI-Voice-2.1 як найкращий вибір для виразнішого й точнішого звуку, а Flash робить ставку на швидшу відповідь і нижчу вартість. Ціни: MAI-Voice-2.1 — $22 за мільйон символів, Flash — $15 за мільйон символів; обидві моделі підтримують 23 мови.

Голосовий агент у Microsoft складається з 3 моделей: MAI-Transcribe-2-Streaming розпізнає мовлення, Mai-Thinking-1 читає транскрипт і вирішує, що робити далі, MAI-Voice-2.1 повертає звукову відповідь. Розділення дає розробнику окремі ручки для якості, затримки та витрат у кожній ланці.

Microsoft прискорює перехід з моделей OpenAI та Anthropic на власну лінійку MAI, хоча залишається великим інвестором обох компаній. У липні керівник Microsoft AI Мустафа Сулейман доручив дослідникам зосередитися на MAI, щоб згодом живити цими моделями агентів Copilot в Excel і Outlook.

«Ми багато платимо Anthropic, тож наша мета — зменшити і зрештоі прибрати ці витрати», — сказав Сулейман в інтервʼю Bloomberg.

Що робити команді зараз?

Microsoft MAI-Transcribe-2-Streaming, MAI-Voice-2.1 і MAI-Voice-2.1-Flash уже доступні в Vercel AI Gateway, тож стек можна перевірити на власному трафіку. Почніть з вузького сценарію, де перебивання й швидкість відповіді прямо впливають на конверсію.