Майкрософт расширила семейство ИИ-моделей MAI тремя аудиомоделями

Главный смысл: Microsoft пополнила собственную линейку MAI тремя аудиомоделями для голосовых агентов реального времени — потоковым транскрибатором и двумя версиями синтеза речи. Релиз усиливает технологическую независимость корпорации от OpenAI и выводит её на прямую конкуренцию с профильными провайдерами речевого ИИ.

• Потоковое распознавание с автоопределением языка. Модель MAI-Transcribe-2-Streaming поддерживает 60 языков и способна фиксировать смену языка прямо по ходу речи. Microsoft заявляет задержку выдачи первых результатов около 100 миллисекунд с последующей контекстной автокоррекцией. В бенчмарке Artificial Analysis система заняла 1-е место по точности, опередив Grok Voice Transcribe 2.0 от xAI, а по внутренним тестам слова выводятся вдвое быстрее ближайшего конкурента. До конца года объявлен промо-тариф 0,54 доллара за час аудио.

• Две версии синтеза речи под разные задачи. Модели MAI-Voice-2.1 и MAI-Voice-2.1-Flash поддерживают 23 языка и генерацию с акцентом носителя речи. Скоростная версия Flash стоит 15 долларов за 1 миллион знаков и обеспечивает сквозную задержку около 150 миллисекунд для 45 секунд аудио, что ориентировано на колл-центры и разговорных ассистентов. Стандартная версия за 22 доллара предназначена для аудиокниг и подкастов с повышенными требованиями к стабильности голоса.

• Закрытый доступ к клонированию голоса. Обе голосовые модели умеют клонировать голос по сэмплу от 5 до 60 секунд. Для защиты от дипфейков функция закрыта: разработчикам необходимо пройти проверку в Microsoft и приложить явное аудиосогласие правообладателя голоса. Все три модели доступны через Microsoft Foundry, MAI Playground, Vercel и Azure Voice Live; на OpenRouter доступны только MAI-Voice-2.1 и MAI-Voice-2.1-Flash, а не MAI-Transcribe-2-Streaming.

Что дальше: Пока не подтверждены сроки и сценарии интеграции новых моделей в потребительские сервисы Microsoft — Copilot, Teams и Windows. Компании предстоит доказать на практике стабильность задержек и экономическую эффективность в соперничестве с признанными лидерами сегмента (ElevenLabs, Deepgram, AssemblyAI), особенно после пересмотра тарифов по окончании промо-периода.