Microsoft lance sa transcription en temps réel et deux nouveaux modèles de voix

Microsoft développe depuis plus d'un an ses propres modèles, sous la marque MAI. Le 1er octobre 2026, l'équipe a ajouté trois briques pour la voix : un modèle de transcription en temps réel et deux modèles de synthèse vocale. Ensemble, ils couvrent les deux extrémités d'un agent vocal : comprendre ce qui est dit, puis répondre à voix haute.

La transcription en continu

MAI-Transcribe-2-Streaming transcrit la parole au fil de l'eau, sans attendre la fin de l'enregistrement. Il propose une première hypothèse après un peu plus de 100 millisecondes d'audio reçu, la corrige à mesure que le contexte arrive, puis fige le texte.

Deux caractéristiques comptent pour un usage professionnel :

• la langue est détectée automatiquement et en continu, parmi 60 langues ;
• un agent vocal peut commencer à raisonner ou à appeler un outil avant que la personne ait terminé sa phrase.

Microsoft indique que le modèle se classe premier en précision sur le comparatif d'Artificial Analysis, pour les transcriptions finales comme pour les transcriptions provisoires. D'après ses évaluations internes, les mots apparaîtraient deux fois plus vite qu'avec son concurrent le plus proche.

La synthèse vocale

• MAI-Voice-2.1 prend en charge 23 langues et 26 variantes régionales. Une même voix peut parler toutes ces langues avec un accent natif, selon l'éditeur. Le clonage de voix fonctionne à partir de quelques secondes d'enregistrement, avec des garde-fous de consentement intégrés.
• MAI-Voice-2.1-Flash couvre les mêmes langues, en plus rapide. Microsoft annonce une latence de bout en bout de 150 millisecondes et un tarif environ 60 % inférieur à celui de modèles comparables.

Les prix

• MAI-Transcribe-2-Streaming : 0,54 dollar par heure d'audio. C'est un prix de lancement, valable jusqu'à la fin de l'année.
• MAI-Voice-2.1 : 22 dollars par million de caractères.
• MAI-Voice-2.1-Flash : 15 dollars par million de caractères.

Où les trouver

Les trois modèles sont disponibles dans Microsoft Foundry. Les deux modèles de voix sont aussi proposés sur OpenRouter. L'annonce cite également MAI Playground, Vercel et Azure Voice Live, et LiveKit comme étant à venir. Une démonstration d'agent vocal, Chatter, est accessible dans le MAI Playground.

Ce que l'annonce ne dit pas

• Aucun taux d'erreur chiffré. Le classement est cité, pas les mesures. Impossible de savoir, à partir de cette page, comment le modèle se comporte en français, avec du bruit de fond ou sur une ligne téléphonique.
• Le prix après le lancement. Le tarif de 0,54 dollar s'arrête à la fin de l'année. Le tarif suivant n'est pas indiqué.
• Le lieu de traitement. La page ne précise pas les régions d'hébergement. Pour des appels clients, c'est une question à poser avant tout essai.
• Le clonage de voix. Les garde-fous sont mentionnés sans être détaillés.

Notre lecture

Pour une petite entreprise française, deux usages sont immédiats : le sous-titrage ou la prise de notes en direct, et l'accueil téléphonique automatisé. Sur le second, la détection continue de la langue est un vrai atout si votre clientèle est internationale.

Avant de vous engager, faites trois choses. Testez sur vos propres enregistrements, avec vos noms de produits et vos accents. Calculez votre budget avec un tarif de transcription plus élevé que le prix de lancement, puisque celui-ci est temporaire. Et pour le clonage de voix, obtenez un accord écrit de la personne concernée : la voix est une donnée personnelle, et les règles européennes de transparence sur les contenus générés s'appliquent.