Три новые MAI-модели Microsoft: что умеют и сколько стоят

Новые модели Microsoft MAI охватывают обе стороны голосового диалога: MAI-Transcribe-2-Streaming превращает речь в текст прямо во время разговора, а MAI-Voice-2.1 и MAI-Voice-2.1-Flash озвучивают текст. Microsoft представила их для разработчиков голосовых ИИ-агентов; все три доступны в публичном превью через Microsoft Foundry. 3639

Краткое сравнение

Модель	Для чего нужна	Заявленная поддержка языков	Указанная цена
MAI-Transcribe-2-Streaming	Распознаёт речь в реальном времени и обновляет расшифровку по мере поступления аудио	60 языков, автоматическое определение языка	$0,54 за час аудио — вводная цена до конца 2026 года 435
MAI-Voice-2.1	Преобразует текст в выразительную речь	23 языка	$22 за миллион символов 3536
MAI-Voice-2.1-Flash	Синтезирует речь с упором на скорость отклика	23 языка для голосовых моделей	$15 за миллион символов 3536

Это опубликованные цены и характеристики, а не гарантия неизменных условий. В частности, тариф на транскрибацию обозначен как вводный. 435

MAI-Transcribe-2-Streaming: расшифровка без ожидания конца фразы

Модель не ждёт, пока человек закончит говорить: она принимает непрерывный аудиопоток через WebSocket и поэтапно возвращает текст. Согласно опубликованному описанию, она поддерживает 60 языков и автоматически определяет, на каком из них идёт речь. 1

Оценки задержки в публикациях отличаются. В одном случае говорится, что первые промежуточные результаты появляются чуть более чем через 100 миллисекунд после получения аудио; в другом — что слова начинают отображаться примерно через 320 миллисекунд после того, как их произнесли. Поскольку отсчёт начинается в разных точках, эти цифры нельзя напрямую сравнивать как один и тот же показатель задержки. 24

По данным публикаций об испытании потоковой транскрибации Artificial Analysis, модель дебютировала на первом месте по точности. В одном отчёте указана итоговая доля ошибок в словах — 2,5% среди 38 моделей. Это результат конкретного теста, а не обещание такой же точности для любого языка, качества записи или сценария использования. 34

Указанная вводная цена — $0,54 за час аудио до конца 2026 года. При расчёте стоимости разработчикам стоит учитывать, что этот тариф ограничен по времени. 435

MAI-Voice-2.1 и Flash: текст превращается в голос

Обе модели генерируют речь по тексту, но рассчитаны на разные приоритеты. MAI-Voice-2.1 позиционируется как более выразительный вариант, а Flash — как более быстрый выбор для приложений, где важно сократить паузу между репликами. Для голосовых моделей указывается поддержка 23 языков. 63536

В опубликованных списках цена MAI-Voice-2.1 составляет $22 за миллион символов, а MAI-Voice-2.1-Flash — $15 за миллион. Также приводится показатель для Flash: 45 секунд аудио с задержкой 150 миллисекунд. Его следует считать опубликованной характеристикой, а не универсальной оценкой полного времени отклика в любом приложении. 3536

Сопоставимой публичной оценки качества синтеза речи в доступных публикациях нет. Поэтому первое место транскрибационной модели в рейтинге нельзя переносить на модели, которые генерируют голос. 3234

Доступ для разработчиков и значение запуска

Все три модели, согласно публикациям, доступны в публичном превью через Microsoft Foundry. Такой статус позволяет разработчикам тестировать модели, но сам по себе не означает, что они перешли в общую доступность. 36

Практический смысл запуска — Microsoft предлагает собственные компоненты и для распознавания речи, и для её генерации. Это может упростить создание речевой части голосового агента в экосистеме Microsoft и снизить потребность искать именно эти компоненты у других поставщиков. Однако запуск не доказывает, что агенту больше не нужны сторонние модели или сервисы: для рассуждений, управления диалогом и других задач могут потребоваться отдельные инструменты. 639

Главное

Самое наглядное предложение в этой линейке — потоковая транскрибация: 60 языков, выдача промежуточного текста и опубликованный результат на первом месте в рейтинге Artificial Analysis, включая указанный показатель ошибок в словах 2,5%. Две голосовые модели дают выбор между выразительностью и скоростью, а также отличаются ценой за миллион символов. Перед внедрением стоит проверить актуальные тарифы, доступность превью и задержку в собственном сценарии. 1343536