Microsofts tre nye MAI-modeller skal gøre stemmeassistenter hurtigere

Microsofts tre nye MAI-modeller dækker begge ender af en mundtlig samtale: MAI-Transcribe-2-Streaming laver løbende tale om til tekst, mens MAI-Voice-2.1 og MAI-Voice-2.1-Flash omdanner tekst til tale. Modellerne er udviklet til blandt andet stemmeassistenter og kan prøves i offentlig forhåndsvisning via Microsoft Foundry. 3639

Kort overblik

Model	Hovedfunktion	Rapporteret sprogunderstøttelse	Rapporteret pris
MAI-Transcribe-2-Streaming	Løbende talegenkendelse med tekst, der opdateres undervejs	60 sprog med automatisk sproggenkendelse	0,54 USD pr. lydtime – introduktionspris frem til udgangen af 2026 435
MAI-Voice-2.1	Tekst-til-tale med fokus på udtryksfuld tale	23 sprog	22 USD pr. million tegn 3536
MAI-Voice-2.1-Flash	Hurtigere tekst-til-tale til situationer, hvor svartid er vigtig	23 sprog angivet for stemmemodellerne	15 USD pr. million tegn 3536

Priserne er rapporterede listepriser, ikke en garanti for, at pris eller tilgængelighed forbliver uændret. Transskriptionsprisen er specifikt beskrevet som en introduktionspris. 435

MAI-Transcribe-2-Streaming: tekst mens samtalen foregår

I stedet for at vente på, at en person taler færdig, sender MAI-Transcribe-2-Streaming transskriptionsresultater løbende. Modellen modtager kontinuerlig lyd via WebSocket og kan ifølge omtalen af dens modeloversigt automatisk genkende mellem 60 sprog. 1

De rapporterede latenstider er ikke helt sammenlignelige. Én omtale siger, at modellen kan begynde at levere foreløbige resultater lidt over 100 millisekunder efter, at den modtager lyd. En anden angiver, at ord kan dukke op cirka 320 millisekunder efter, de er blevet sagt. Da målingerne tager udgangspunkt i forskellige tidspunkter, bør tallene ikke læses som en direkte sammenligning. 24

På Artificial Analysis’ benchmark for streamingtransskription debuterede modellen ifølge rapporter som nummer ét på nøjagtighed. En omtale angiver en endelig word error rate – fejlrate for genkendte ord – på 2,5 procent blandt 38 modeller. Det er et rapporteret benchmarkresultat, ikke en garanti for samme præcision på alle sprog, i alle optagelsesforhold eller i alle produkter. 34

Den oplyste introduktionspris er 0,54 USD pr. lydtime frem til udgangen af 2026. Udviklere, der afprøver modellen, bør derfor være opmærksomme på, at prisen er tidsbegrænset. 435

MAI-Voice-2.1 og Flash: tekst bliver til tale

Begge stemmemodeller omdanner tekst til tale, men de er målrettet forskellige behov. MAI-Voice-2.1 beskrives som den mere udtryksfulde mulighed, mens Flash er den hurtigere variant til anvendelser, hvor det er vigtigt at holde ventetiden mellem samtaleturene nede. De rapporterede sprogoplysninger angiver 23 sprog for stemmemodellerne. 63536

De rapporterede priser er 22 USD pr. million tegn for MAI-Voice-2.1 og 15 USD pr. million tegn for Flash. En omtale beskriver Flash som i stand til at generere 45 sekunders lyd med 150 millisekunders latenstid. Det bør læses som et rapporteret tal – ikke som et mål for den samlede svartid i enhver løsning. 3536

De tilgængelige rapporter giver ikke en direkte sammenlignelig, offentlig benchmarkscore for stemmekvaliteten. Transskriptionsmodellens placering på et nøjagtighedsbenchmark siger derfor ikke noget om, hvordan de to modeller til talegenerering klarer sig i forhold til hinanden. 3234

Hvad kan udviklere få adgang til?

Alle tre modeller er ifølge rapporterne tilgængelige i offentlig forhåndsvisning via Microsoft Foundry. Det giver udviklere mulighed for at afprøve dem, men er ikke det samme som en melding om, at de er generelt tilgængelige. 36

Den praktiske nyhed for udviklere er, at Microsoft nu tilbyder egne komponenter til både talegenkendelse og talegenerering i et stemmebaseret arbejdsforløb. Det kan gøre det lettere at bygge flere af talefunktionerne inden for Microsofts udviklerøkosystem og mindske behovet for at hente netop disse komponenter hos andre leverandører. Det betyder dog ikke, at en komplet stemmeassistent kan undvære eksterne tjenester: ræsonnement, koordinering og andre funktioner kan fortsat kræve andre modeller eller tjenester. 639

Kort fortalt

Den tydeligste sammenligning gælder transskriptionsmodellen: Den understøtter 60 sprog, leverer tekst løbende og har ifølge rapporter opnået førstepladsen på Artificial Analysis’ nøjagtighedsbenchmark med en angivet endelig word error rate på 2,5 procent. De to stemmemodeller giver et valg mellem mere udtryksfuld tale og højere hastighed, med rapporteret understøttelse af 23 sprog og forskellige priser pr. tegn. Udviklere bør kontrollere den aktuelle adgang, pris og latenstid i deres egen opsætning, før de træffer beslutninger om brug i produktion. 1343536