Qu’est-ce que MAI-Transcribe-2-Streaming ?
MAI-Transcribe-2-Streaming est le premier modèle de reconnaissance vocale en streaming de Microsoft AI, sorti le 1er octobre 2026 avec les modèles de voix MAI-Voice-2.1. Vous envoyez l'audio en flux continu et recevez des transcriptions partielles qui se mettent à jour pendant que la personne parle, puis un résultat final pour chaque segment. Selon Microsoft, le premier texte partiel arrive un peu plus de 100 millisecondes après l'audio.
Il couvre 60 langues et détecte la langue automatiquement et en continu, si bien qu'un locuteur peut en changer en pleine conversation. Microsoft affirme qu'il a débuté premier en précision, pour les transcriptions finales comme partielles, sur le benchmark de streaming d'Artificial Analysis, et que dans ses propres tests les mots apparaissent deux fois plus vite qu'avec son concurrent le plus proche.
Il est en preview publique sur Azure Speech, servi depuis Sweden Central, Central US, East US 2 et Southeast Asia, et accessible via une API WebSocket compatible avec OpenAI Realtime ou avec l'Azure Speech SDK. Le prix de lancement est de 0,54 $ par heure d'audio jusqu'à fin 2026.
MAI-Transcribe-2-Streaming vaut-il le coup ?
MAI-Transcribe-2-Streaming est une entrée sérieuse dans la transcription en direct, la tâche derrière les sous-titres, les agents vocaux et l'assistance en centre d'appels. Microsoft affirme qu'il est premier en précision au classement streaming d'Artificial Analysis, pour les transcriptions partielles comme finales, et qu'il s'y situe sur la frontière précision-latence.
La vitesse est le deuxième argument. Le texte partiel arrive en un peu plus de 100 millisecondes, et les tests de Microsoft sur la dictée et les sous-titres affichent les mots deux fois plus vite que le concurrent le plus proche, que Microsoft ne nomme pas. Microsoft ne publie aucun taux d'erreur par mot dans son annonce, donc mieux vaut tester avec votre propre audio avant de changer.
Côté prix, il se place au milieu. À 0,54 $ par heure d'audio, environ 0,009 $ la minute, il est moins cher que gpt-live-transcribe d'OpenAI à 0,017 $ la minute, mais plus cher qu'ElevenLabs Scribe v2 Realtime à 0,39 $ l'heure ou que le streaming de Deepgram Nova-3 à 0,0048 $ la minute en promotion. Le tarif de 0,54 $ est un prix de lancement qui prend fin avec 2026, et Microsoft n'a pas dit ce qui suivra.
L'intégration est simple pour les équipes déjà sur la Realtime API d'OpenAI, puisque l'interface WebSocket est compatible, et le Speech SDK gère reconnexions et nouvelles tentatives. La couverture de 60 langues avec détection continue convient aux centres d'appels multilingues, où les appelants changent de langue en cours d'appel.
Les contraintes sont celles d'une preview. Microsoft indique qu'il n'y a pas de contrat de niveau de service et ne le recommande pas en production. Il ne tourne que depuis quatre régions, et l'annonce ne mentionne pas l'identification des locuteurs. Ni l'annonce ni la documentation ne décrivent la conservation de l'audio, et les conditions de preview d'Azure autorisent des pratiques de confidentialité différentes pour les fonctions en preview.
Là où il fait la différence
Un éditeur de logiciels de centre d'appels pour des banques européennes
Transcrire les appels en direct dans plusieurs langues pour assister les conseillers
Envoyez l'audio des appels depuis Sweden Central via la Realtime API ; la détection continue de la langue gère les appelants qui en changent, et 10 000 heures d'appels par mois coûtent environ 5 400 $ au tarif de lancement.
L'équipe audiovisuelle d'une université
Sous-titrer en direct des cours diffusés en ligne
Utilisez l'Azure Speech SDK pour envoyer l'audio du cours et afficher les sous-titres partiels dès leur arrivée, environ 100 ms après la parole, remplacés par le texte final de chaque segment.
Une développeuse d'un assistant vocal déjà bâti sur la Realtime API d'OpenAI
Adopter une transcription plus précise sans réécrire le client
Pointez le client WebSocket existant vers Azure avec le nom de modèle MAI-Transcribe-2-Streaming et comparez la précision sur de l'audio utilisateur enregistré avant de basculer le trafic, vu le statut de preview.
Avant de vous engager
- Mise en route
- Créer une ressource Azure Speech ou Foundry, puis se connecter via l'API WebSocket compatible Realtime ou avec l'Azure Speech SDK en version 1.52.0 ou ultérieure.
- Intégrations
- Azure Speech SDK, une API WebSocket compatible OpenAI Realtime, Azure Voice Live, Microsoft Foundry, MAI Playground et Vercel, LiveKit étant annoncé prochainement.
- Données et confidentialité
- Non décrit dans l'annonce ni dans la documentation du modèle ; les conditions complémentaires de preview d'Azure précisent que les fonctions en preview peuvent suivre des pratiques de confidentialité différentes de celles des services en disponibilité générale.
- Coût à grande échelle
- Au tarif de lancement de 0,54 $ par heure d'audio, 1 000 heures par mois coûtent 540 $ ; le prix après 2026 n'est pas publié.
- Limites
- Preview publique sans SLA ; servi depuis Sweden Central, Central US, East US 2 et Southeast Asia ; 60 langues.
Les points forts
- Premier en précision sur le benchmark streaming d'Artificial Analysis, selon Microsoft
- Transcriptions partielles en un peu plus de 100 ms
- 60 langues avec détection automatique continue
- API compatible OpenAI Realtime et Azure Speech SDK
Les points faibles
- Preview publique sans SLA ; déconseillé en production
- Les 0,54 $ l'heure sont un prix de lancement qui s'arrête avec 2026
- Pas de taux d'erreur par mot publiés ; identification des locuteurs non mentionnée
- Servi depuis quatre régions Azure
Idéal pour
Équipes qui construisent sur Azure des sous-titres en direct, des agents vocaux ou des outils de centre d'appels et veulent la meilleure précision en streaming dans de nombreuses langues.
Alternatives à MAI-Transcribe-2-Streaming
MAI-Transcribe-2-Streaming : questions fréquentes
- MAI-Transcribe-2-Streaming vaut-il le coup ?
- MAI-Transcribe-2-Streaming a tout du modèle de transcription en direct le plus précis du marché, à un prix intermédiaire qui ne tient que jusqu'en décembre. Nous lui donnons 4.1 sur 5.
- Combien coûte MAI-Transcribe-2-Streaming ?
- Prix de lancement de 0,54 $ par heure d'audio (environ 0,009 $ par minute) jusqu'à fin 2026 ; Microsoft n'a pas publié le prix suivant.
- Quels sont les inconvénients de MAI-Transcribe-2-Streaming ?
- Preview publique sans SLA ; déconseillé en production; les 0,54 $ l'heure sont un prix de lancement qui s'arrête avec 2026; pas de taux d'erreur par mot publiés ; identification des locuteurs non mentionnée; servi depuis quatre régions Azure.
- À qui s’adresse MAI-Transcribe-2-Streaming ?
- Équipes qui construisent sur Azure des sous-titres en direct, des agents vocaux ou des outils de centre d'appels et veulent la meilleure précision en streaming dans de nombreuses langues.
- Combien coûte MAI-Transcribe-2-Streaming pour une équipe ou en production ?
- Au tarif de lancement de 0,54 $ par heure d'audio, 1 000 heures par mois coûtent 540 $ ; le prix après 2026 n'est pas publié.
- MAI-Transcribe-2-Streaming est-il sûr pour les données de l’entreprise ?
- Non décrit dans l'annonce ni dans la documentation du modèle ; les conditions complémentaires de preview d'Azure précisent que les fonctions en preview peuvent suivre des pratiques de confidentialité différentes de celles des services en disponibilité générale.
- Quelles sont les meilleures alternatives à MAI-Transcribe-2-Streaming ?
- Les alternatives les plus proches que nous avons testées sont Deepgram Nova-3, ElevenLabs Scribe v2, GPT Transcribe et Gemini 3.5 Transcribe.
Réponses vérifiées le 6 nov. 2026.
Vous éditez MAI-Transcribe-2-Streaming ? Affichez cette note sur votre site
