Microsoft vil gi utviklere flere byggeklosser for stemmebaserte AI-agenter

Microsofts tre nye MAI-modeller dekker begge retninger i en muntlig samtale: MAI-Transcribe-2-Streaming gjør tale om til tekst mens den pågår, mens MAI-Voice-2.1 og MAI-Voice-2.1-Flash lager tale fra tekst. Modellene er laget for utviklere som bygger stemmeagenter, og er tilgjengelige i offentlig forhåndsvisning gjennom Microsoft Foundry. 3639

Kort oversikt

Modell	Hovedoppgave	Rapportert språkstøtte	Oppgitt pris
MAI-Transcribe-2-Streaming	Løpende tale-til-tekst med oppdateringer underveis	60 språk, med automatisk språkregistrering	0,54 dollar per lydtime, introduksjonspris ut 2026 435
MAI-Voice-2.1	Tekst-til-tale med vekt på uttrykk	23 språk	22 dollar per million tegn 3536
MAI-Voice-2.1-Flash	Raskere tekst-til-tale for apper der responstid er viktig	23 språk oppgis for stemmemodellene	15 dollar per million tegn 3536

Dette er rapporterte priser og opplysninger om tilgjengelighet, ikke noen garanti for at vilkårene forblir uendret. Prisen på transkripsjonsmodellen er uttrykkelig omtalt som en introduksjonspris. 435

MAI-Transcribe-2-Streaming: transkribering mens du snakker

I stedet for å vente til noen er ferdig med å snakke, sender MAI-Transcribe-2-Streaming ut tekstoppdateringer mens lyden kommer inn. Modellen tar imot kontinuerlig lyd via WebSocket og skal automatisk kunne registrere hvilket av 60 språk som snakkes, ifølge omtalen av modelloppføringen. 1

Rapportene oppgir ulike tall for forsinkelsen. Én omtale sier at modellen kan begynne å vise foreløpige resultater litt over 100 millisekunder etter at den mottar lyd. En annen oppgir at ord kan begynne å vises omtrent 320 millisekunder etter at de er sagt. Siden målingene tar utgangspunkt i ulike tidspunkter, kan tallene ikke sammenlignes direkte. 24

I Artificial Analysis’ benchmark for strømmende talegjenkjenning skal modellen ha debutert på førsteplass for nøyaktighet. Én rapport oppgir en endelig ordfeilrate på 2,5 prosent blant 38 modeller. Det er et rapportert benchmark-resultat, ikke en garanti for samme nøyaktighet på alle språk, i alle opptakssituasjoner eller i alle apper. 34

Introduksjonsprisen er oppgitt til 0,54 dollar per lydtime ut 2026. Utviklere som vurderer modellen, bør ta høyde for at dette er en tidsbegrenset pris. 435

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

Begge stemmemodellene gjør tekst om til lyd, men er ment for ulike behov. MAI-Voice-2.1 beskrives som det mer uttrykksfulle alternativet. Flash er den raskere varianten, for løsninger der det er viktig å holde ventetiden mellom samtaleturer kort. Språkstøtten oppgis til 23 språk for stemmemodellene. 63536

Oppføringer av modellene oppgir en pris på 22 dollar per million tegn for MAI-Voice-2.1 og 15 dollar per million tegn for Flash. En rapport oppgir også at Flash kan lage 45 sekunder med lyd med 150 millisekunders forsinkelse. Dette bør leses som et rapportert tall, ikke som et mål på responstiden i enhver løsning fra start til slutt. 3536

Rapportene som er tilgjengelige, gir ikke en offentlig benchmark-score for stemmekvalitet som kan sammenlignes direkte. Transkripsjonsmodellens plassering på en nøyaktighetsbenchmark sier derfor ikke noe om hvilken av de to stemmemodellene som presterer best. 3234

Tilgang for utviklere – og hva lanseringen kan bety

Alle tre modellene er rapportert tilgjengelige i offentlig forhåndsvisning gjennom Microsoft Foundry. En forhåndsvisning lar utviklere teste modellene, men betyr ikke at de er generelt tilgjengelige. 36

For utviklere er hovednyheten at Microsoft nå tilbyr egne komponenter både for talegjenkjenning og taleproduksjon i en arbeidsflyt for stemmeagenter. Det kan gjøre det enklere å bygge mer av taledelen innenfor Microsofts utviklerøkosystem og redusere behovet for å hente akkurat disse komponentene fra andre leverandører. Men lanseringen viser ikke at en komplett stemmeagent kan klare seg uten eksterne tjenester: resonnering, koordinering og andre funksjoner kan fortsatt bygge på andre modeller eller tjenester. 639

Kort oppsummert

Det tydeligste sammenligningsgrunnlaget gjelder transkripsjonsmodellen: Den støtter 60 språk, leverer tekst fortløpende og skal ha fått førsteplass i Artificial Analysis’ benchmark for nøyaktighet. En rapport oppgir også en endelig ordfeilrate på 2,5 prosent. De to stemmemodellene gir et valg mellom mer uttrykksfull tale og høyere hastighet, med rapportert støtte for 23 språk og ulike priser per tegn. Før en produksjonsbeslutning bør utviklere sjekke gjeldende tilgang, priser og responstid i oppsettet de faktisk skal bruke. 1343536