Microsoft AI выпустила MAI-Transcribe-2-Streaming, свою первую модель преобразования речи в текст в режиме реального времени, которая занимает 1-е место из 38 моделей в индексе AA-WER Streaming от Artificial Analysis. Модель была запущена 1 октября 2026 года, транскрибирует 60 языков с непрерывным автоматическим определением языка и предназначена для голосовых агентов и живых субтитров.
- Достигает ошибки распознавания слов (WER) на уровне 2.5% как для финальных транскриптов (задержка 0.13 с), так и для первых частичных транскриптов (задержка 0.12 с).
- Выдает первые гипотезы чуть более чем через 100 мс после получения аудио, что позволяет агентам анализировать речь в процессе произнесения.
- Стоимость составляет $0.54 за час в течение вводного периода до конца 2026 года.
- Доступна через Realtime API (WebSocket) и Azure Speech SDK, с интеграцией в MAI Playground и Vercel.
Способность модели предоставлять частичные транскрипты, столь же точные, как и финальные, обеспечивает взаимодействие в реальном времени для приложений, где критична задержка.