Microsoft enrichit la gamme MAI avec des modèles de transcription en continu et de synthèse vocale

Microsoft Corp. a étendu sa famille de modèles d'intelligence artificielle MAI en publiant un modèle de transcription en continu ainsi que deux modèles de synthèse vocale, afin de fournir aux développeurs l'infrastructure nécessaire à la création d'agents vocaux naturels et à faible latence.

Transcription en continu et en temps réel

La nouveauté majeure est MAI-Transcribe-2-Streaming, qui reçoit le flux vocal continu via un WebSocket et met à jour dynamiquement la transcription à mesure que l'utilisateur s'exprime. Selon Microsoft, le modèle fournit ses premières hypothèses de transcription dans un délai moyen de 320 millisecondes, bien que la qualité du réseau et le traitement de l'IA en aval puissent influer sur le temps de réponse global. Proposé sur Vercel AI Gateway au tarif de 0,54 $ par heure d'audio, il prend en charge plus de 60 langues avec détection automatique.

Cette variante en continu s'avère plus coûteuse que le modèle standard MAI-Transcribe-2 publié le mois précédent, affiché à 0,10 $ par heure d'audio. La version classique attend la fin de l'intervention de l'interlocuteur avant de traiter le signal, tandis que l'édition en continu effectue des calculs provisoires en temps réel.

Synthèse vocale et architecture d'agent

Pour générer les réponses vocales, Microsoft introduit MAI-Voice-2.1, optimisé pour l'expressivité et la fidélité, ainsi que MAI-Voice-2.1-Flash, conçu pour une latence plus faible et un coût réduit. Tous deux prennent en charge 23 langues et sont tarifés sur Vercel AI Gateway respectivement à 22 $ et 15 $ par million de caractères.

Ces composants fonctionnent aux côtés du modèle de raisonnement MAI-Thinking-1, qui analyse le texte transcrit pour déterminer les actions de l'agent. Cette approche modulaire permet aux développeurs de gérer indépendamment la qualité, la latence et les coûts d'exploitation sur les trois niveaux.

Virage stratégique vers une infrastructure interne

Ces déploiements traduisent la volonté continue de Microsoft de réduire sa dépendance envers les modèles de pointe de partenaires tiers tels qu'OpenAI et Anthropic. Des rapports ont précédemment mis en lumière les inquiétudes formulées par Mustafa Suleyman, responsable de Microsoft AI, concernant les coûts associés aux modèles externes, orientant l'entreprise vers la migration progressive de systèmes comme Copilot vers l'architecture interne MAI.

Disponibilité et limites de performance

MAI-Transcribe-2-Streaming et les nouveaux modèles vocaux sont désormais accessibles via Vercel AI Gateway. Microsoft précise toutefois que les temps de réponse annoncés sont des moyennes et ne peuvent être garantis dans tous les environnements réseau ou contextes de déploiement.

Suivi éditorial

Ce résumé s'appuie sur les annonces officielles et la grille tarifaire communiquées par Microsoft, sans vérification ou test indépendant des performances revendiquées.

Intégration technique

Les développeurs peuvent intégrer ces différents modèles au moyen de protocoles d'accès standards afin de composer des boucles conversationnelles intégrant reconnaissance vocale, raisonnement par LLM et génération de voix synthétique.

Contexte de marché

L'extension de la gamme MAI s'inscrit dans une tendance globale de l'industrie visant à concevoir des infrastructures vocales spécialisées et maîtrisées sur le plan budgétaire pour les applications conversationnelles.

Périmètre opérationnel

Ces nouveaux modèles répondent précisément aux besoins des flux de travail exigeant un contrôle fin des vitesses de traitement audio et des paramètres de génération de la parole.

Illustration éditoriale générée par IA ; ce n’est pas une photographie documentaire.

Source: Microsoft targets ultra-realistic voice agents with its first streaming transcription model