Microsoft lanserer nye transkripsjons- og taleutgangsmodeller for språkagenter
5. oktober 2026 · 1 min lesing
Microsoft AI har publisert MAI‑Transcribe‑2‑Streaming, et nytt modell for sanntids‑transkripsjon. Modellen rangerer førsteplass i nøyaktighet ifølge Artificial Analysis og kan transkribere 60 språk med foreløpige resultater etter omtrent 100 millisekunder. Dette gjør at språkagenter kan reagere mens en setning fortsatt pågår. Til introduksjonspris koster en time lyd 0,54 dollar.
I tillegg kommer to taleutgangsmodeller: MAI‑Voice‑2.1 støtter 23 språk med samme stemme og morsmålsakcent. MAI‑Voice‑2.1‑Flash har en latens på 150 millisekunder og koster 15 dollar per million tegn i stedet for 22 dollar.
Begge modellene kan klone stemmer fra noen få sekunder referanse‑lyd, og innebygde beskyttelsesmekanismer skal forhindre misbruk. Modellerne er tilgjengelige via Microsoft Foundry, MAI Playground og OpenRouter. I en test vurderte omtrent halvparten av 4 000 deltakere stemmene som menneskelige.