I tre nuovi modelli vocali MAI di Microsoft a confronto

I tre nuovi modelli MAI di Microsoft coprono entrambe le fasi di una conversazione vocale: MAI-Transcribe-2-Streaming converte il parlato in testo mentre arriva, mentre MAI-Voice-2.1 e MAI-Voice-2.1-Flash trasformano il testo in voce. Pensati per gli sviluppatori che creano agenti vocali, sono disponibili in anteprima pubblica su Microsoft Foundry, la piattaforma Microsoft per sviluppare e usare modelli di IA. 3639

In breve

Modello	A cosa serve	Lingue dichiarate	Prezzo riportato
MAI-Transcribe-2-Streaming	Trascrizione in tempo reale, con aggiornamenti progressivi	60, con rilevamento automatico della lingua	0,54 USD per ora di audio; tariffa promozionale fino alla fine del 2026 435
MAI-Voice-2.1	Sintesi vocale con maggiore enfasi sull’espressività	23	22 USD per milione di caratteri 3536
MAI-Voice-2.1-Flash	Sintesi vocale più rapida, per applicazioni attente ai tempi di risposta	23 per i modelli vocali, secondo le fonti disponibili	15 USD per milione di caratteri 3536

Sono prezzi riportati nelle fonti, non una garanzia che tariffe e disponibilità restino invariate. In particolare, il costo della trascrizione è presentato come promozionale. 435

MAI-Transcribe-2-Streaming: trascrivere senza aspettare la fine della frase

A differenza di un sistema che restituisce il testo solo quando una persona ha finito di parlare, MAI-Transcribe-2-Streaming invia aggiornamenti progressivi della trascrizione. Riceve audio continuo tramite WebSocket e, secondo le informazioni pubblicate sul modello, rileva automaticamente la lingua tra 60 opzioni. 1

Le fonti riportano tempi di latenza diversi, che non vanno messi sullo stesso piano. Una descrive i primi risultati parziali a poco più di 100 millisecondi dalla ricezione dell’audio; un’altra riferisce che le parole possono comparire circa 320 millisecondi dopo essere state pronunciate. I due dati partono da riferimenti diversi e non costituiscono un confronto diretto. 24

Secondo le notizie sul benchmark di trascrizione in streaming di Artificial Analysis, il modello ha esordito al primo posto per accuratezza. Una fonte riporta un tasso finale di errore sulle parole (WER) del 2,5% su 38 modelli. È un risultato di benchmark: non garantisce la stessa accuratezza con ogni lingua, qualità di registrazione o applicazione. 34

Il prezzo promozionale indicato è di 0,54 USD per ora di audio fino alla fine del 2026. Chi sta valutando il modello per un prodotto o servizio dovrà quindi considerare che si tratta di una tariffa a tempo. 435

MAI-Voice-2.1 e Flash: generare voce dal testo

Entrambi i modelli producono parlato a partire da testo, ma sono pensati per priorità diverse. MAI-Voice-2.1 è descritto come l’opzione più espressiva; Flash è la variante più rapida, adatta quando è importante ridurre l’attesa tra un turno di conversazione e l’altro. Per i modelli vocali è riportato il supporto a 23 lingue. 63536

Il prezzo indicato è di 22 USD per milione di caratteri per MAI-Voice-2.1 e di 15 USD per milione di caratteri per Flash. Una fonte attribuisce a Flash la generazione di 45 secondi di audio con una latenza di 150 millisecondi: è un dato riportato, non una misura universale del tempo necessario per completare una risposta in qualsiasi configurazione. 3536

Le fonti disponibili non offrono un punteggio pubblico direttamente confrontabile sulla qualità delle voci. Il risultato del modello di trascrizione non va quindi interpretato come una classifica dei due modelli di sintesi vocale. 3234

Cosa possono provare gli sviluppatori

Tutti e tre i modelli risultano disponibili in anteprima pubblica su Microsoft Foundry. La public preview consente agli sviluppatori di testarli, ma non equivale a un annuncio di disponibilità generale. 36

La novità pratica è che Microsoft propone componenti propri sia per riconoscere il parlato sia per generarlo. Questo può semplificare la realizzazione della parte vocale di un agente all’interno dell’ecosistema Microsoft e ridurre la necessità di ricorrere ad altri fornitori per queste specifiche funzioni. Non significa, però, che un agente vocale completo possa fare a meno di servizi esterni: ragionamento, coordinamento delle operazioni e altre capacità possono continuare a dipendere da modelli o piattaforme differenti. 639

Il punto chiave

Il confronto più concreto riguarda la trascrizione: il modello supporta 60 lingue, produce risultati progressivi e ha ottenuto un primo posto riportato nel benchmark di accuratezza di Artificial Analysis, con un WER finale indicato al 2,5%. Per la sintesi vocale, la scelta è tra l’approccio più espressivo di MAI-Voice-2.1 e la maggiore rapidità di Flash, con copertura dichiarata di 23 lingue e prezzi diversi per carattere. Prima di adottarli in produzione, conviene verificare accesso, tariffe e latenza nella configurazione che si intende usare. 1343536