Microsoft étoffe sa gamme de modèles maison avec MAI-Transcribe-2-Streaming, une IA pensée pour retranscrire la parole au fil de la conversation. Elle prend en charge 60 langues et commence à produire du texte un peu plus de 100 ms après réception de l’audio.
Après MAI-Transcribe-2, destiné aux fichiers audio déjà enregistrés, Microsoft passe au direct. Son nouveau modèle MAI-Transcribe-2-Streaming analyse la parole en continu, détecte automatiquement la langue utilisée et révise sa transcription à mesure que la phrase progresse. Un fonctionnement taillé pour les usages qui supportent mal les temps morts, comme la dictée, le sous-titrage en direct ou les assistants vocaux.
Une transcription qui commence avant la fin de la phrase
Dans le détail, MAI-Transcribe-2-Streaming n’attend pas que la personne ait terminé de parler pour afficher du texte. Le modèle produit de premières hypothèses un peu plus de 100 ms après réception de l’audio, puis les affine au fil de la phrase. Si la suite lève une ambiguïté ou modifie le sens d’un mot déjà transcrit, il peut donc revenir sur les premiers résultats avant de les figer dans une version définitive.
Pour ce faire, le modèle traite le flux audio au fur et à mesure qu’il arrive, plutôt que d’attendre de disposer de l’enregistrement complet. Chaque nouvelle portion de parole vient enrichir le contexte déjà analysé et peut conduire l’IA à conserver, corriger ou compléter les mots affichés quelques instants plus tôt. La transcription peut ainsi suivre presque immédiatement la voix, tout en conservant assez de souplesse pour évoluer à mesure que le sens se précise.
Cette transcription en continu fonctionne dans 60 langues et détecte automatiquement celle utilisée au fil de la conversation. Sur le terrain de la précision, MAI-Transcribe-2-Streaming arrive actuellement en tête du benchmark AA-WER Streaming d’Artificial Analysis, aussi bien pour les transcriptions provisoires que définitives. À titre indicatif, ce classement repose sur le WER, ou taux d’erreur de mots, qui mesure la proportion de mots mal reconnus par rapport à une transcription de référence : plus ce taux est faible, plus le résultat est précis. Le benchmark repose toutefois sur environ huit heures d’audio issues de trois jeux de données et ne permet pas de comparer les performances du modèle dans chacune des 60 langues prises en charge.
Microsoft veut réduire les blancs des assistants vocaux
En marge de ce nouveau modèle de transcription, Microsoft lance aussi MAI-Voice-2.1 et MAI-Voice-2.1-Flash, deux modèles capables de transformer du texte en voix. La variante Flash privilégie la rapidité et peut générer 45 secondes d’audio, pour une latence de bout en bout annoncée autour de 150 ms.
Dans l’idée, Microsoft veut faire travailler MAI-Transcribe-2-Streaming et ses modèles Voice au sein d’une même chaîne pour rendre les échanges avec les assistants vocaux plus naturels. Pendant que le premier transcrit la parole, l’agent peut déjà commencer à traiter la demande, raisonner ou appeler des outils. Une fois la réponse prête, MAI-Voice se charge de la restituer à l’oral. Microsoft espère ainsi réduire le silence qui sépare encore souvent la fin d’une question de la réponse de l’assistant.
Le même principe pourrait servir aux assistants multilingues, au service client ou à la traduction vocale, l’agent prenant alors en charge le passage d’une langue à l’autre entre la transcription et la synthèse.
Les trois modèles sont disponibles dès maintenant via Microsoft Foundry, MAI Playground, Vercel et Azure Voice Live. MAI-Transcribe-2-Streaming est proposé au tarif de lancement de 0,54 dollar par heure d’audio jusqu’à la fin de 2026. Côté synthèse vocale, MAI-Voice-2.1 coûte 22 dollars par million de caractères, contre 15 dollars pour la variante Flash. Les deux modèles Voice sont également accessibles via OpenRouter, tandis qu’une intégration à LiveKit est annoncée prochainement.
