Microsoft dévoile une IA qui transcrit la parole en direct dans 60 langues

Microsoft lance MAI Transcribe 2 Streaming, un modèle qui retranscrit la parole en direct dans 60 langues. Il peut travailler avec des modèles de synthèse vocale pour réduire le délai entre une question et la réponse d’un assistant. Les trois outils sont accessibles dès maintenant sur plusieurs plateformes, avec des tarifs de lancement à surveiller.

MAI Transcribe 2 Streaming transcrit la parole dans 60 langues

Le modèle traite la parole au fil de la conversation, plutôt qu’après l’enregistrement complet. Cette transcription en continu permet à un assistant de commencer à analyser une demande pendant que la personne parle encore.

Microsoft l’associe à MAI Voice 2.1 et MAI Voice 2.1 Flash, deux modèles qui transforment du texte en voix. Le principe est simple : transcrire, traiter la demande, puis restituer la réponse oralement. Moins de silence, donc un échange qui semble plus naturel.

Des assistants vocaux plus réactifs et multilingues

Cette chaîne peut servir aux assistants vocaux, au service client ou à la traduction orale. Un agent peut passer d’une langue à l’autre entre la transcription et la synthèse, sans attendre que tout l’échange soit terminé.

La variante Flash privilégie la vitesse. Microsoft annonce une génération de 45 secondes d’audio avec une latence de bout en bout d’environ 150 millisecondes. Pour un usage vocal, chaque fraction de seconde compte : une réponse rapide rend l’échange plus fluide.

Tarifs et disponibilité des modèles MAI de Microsoft

MAI Transcribe 2 Streaming est proposé au tarif de lancement de 0,54 dollar par heure d’audio, jusqu’à la fin de 2026. La synthèse vocale MAI Voice 2.1 coûte 22 dollars par million de caractères, contre 15 dollars pour la version Flash.

Les modèles sont disponibles via Microsoft Foundry, MAI Playground, Vercel et Azure Voice Live. Les deux outils de synthèse sont aussi accessibles avec OpenRouter, tandis qu’une intégration à LiveKit est annoncée prochainement. Le coût est mesurable ; la qualité en conditions réelles dépendra aussi du bruit, des accents et de la stabilité du service.

Avant un déploiement à grande échelle, ces paramètres méritent des tests dans l’environnement visé. Une transcription rapide est utile, mais la continuité du service et la précision restent décisives.

Source: www.clubic.com