Microsoft AI обяви MAI-Transcribe-2-Streaming, своя първи модел за транскрипция на реч, който работи в реално време и връща текст, докато човекът още говори, вместо да чака края на изречението. Според съобщение на компанията от 1 октомври 2026 г. моделът излиза заедно с два нови гласови модела за синтез на реч, MAI-Voice-2.1 и по-бързия MAI-Voice-2.1-Flash.

Как работи транскрипцията на живо

Моделът приема звука като непрекъснат поток и първо изпраща предварителни, непотвърдени хипотези за текста, които се допълват, докато постъпва още аудио. После връща стабилна окончателна версия на всеки сегмент от речта. Microsoft твърди, че първите частични резултати се появяват малко над 100 милисекунди след получаването на звука, а моделът поддържа 60 езика с автоматично, непрекъснато разпознаване на езика по време на разговора.

От компанията заявяват, че MAI-Transcribe-2-Streaming е на първо място по точност в класацията на Artificial Analysis както за окончателните, така и за първите частични транскрипции. Това е твърдение на Microsoft, основано на независим бенчмарк, а не самостоятелно проверено от нас класиране. Самата Artificial Analysis пояснява, че тества директно работещите услуги и включва мрежовото забавяне в измерванията си, но текущият ѝ набор от данни е около осем часа аудио, изцяло на английски език.

Според Microsoft Learn услугата засега е в публичен предварителен преглед, без договорено ниво на обслужване, и компанията изрично не я препоръчва за реална употреба в продукционна среда. Въвеждащата цена за MAI-Transcribe-2-Streaming е 0,54 щ.д. на час аудио до края на 2026 г., а достъпът е през Microsoft Foundry.

Практическото значение е в скоростта на реакция: гласов асистент може да започне да разсъждава или да извика инструмент още преди събеседникът да довърши изречението си, а субтитрите и диктовката се появяват почти в реално време. За колцентрове, срещи и записване на бележки това означава по-малко чакане между изговорената дума и видимия текст. Остава неизяснено дали и доколко моделът поддържа български език, както и дали и кога ще бъде достъпен в региони на ЕС с ясни условия по GDPR, защото официалните материали на Microsoft не изброяват конкретните 60 езика и не съдържат подробности за обработката на данните в Европа.