Microsoft AI vydal MAI-Transcribe-2-Streaming, který převádí živou řeč na text už během příjmu zvuku. Doplňuje tak dávkový model určený pro dokončené nahrávky: na první průběžný přepis není nutné čekat do konce záznamu. Novinka je dostupná přes Voice Live API ve veřejném preview.
Finální přepis: nižší chybovost než Grok, ne nejkratší odezva
Artificial Analysis řadil v době zveřejnění zprávy nový model na první místo mezi 38 modely podle chybovosti finálního přepisu. MAI-Transcribe-2-Streaming dosáhl WER 2,5 % a finální text poskytl s latencí 0,13 sekundy po skončení řeči. Grok Voice Transcribe 2.0 měl ve stejném hodnocení WER 2,7 % a latenci 0,49 sekundy.
WER vyjadřuje chybovost rozpoznaných slov; nižší hodnota je lepší. Výsledek 2,5 % odpovídá přibližně 2,5 záměny, vynechání nebo vložení na 100 referenčních slov. Vedle této metriky Artificial Analysis sleduje také dobu potřebnou k vytvoření průběžného a finálního textu.
Nejnižší chybovost ovšem v tomto hodnocení neznamenala nejrychlejší finální odpověď. Cartesia Ink Preview dosáhla podle Artificial Analysis latence 0,11 sekundy oproti 0,13 sekundy u Microsoftu. Její WER však činil 3,1 %, zatímco MAI měl 2,5 %.
První průběžný text za 0,12 sekundy v testu Artificial Analysis
Samostatné hodnocení prvního průběžného přepisu u Artificial Analysis ukázalo u MAI WER 2,5 % a latenci 0,12 sekundy. Grok Voice Transcribe 2.0 v této části zaznamenal chybovost 3,4 % a odezvu 0,49 sekundy.
Také u průběžného textu existoval rychlejší konkurent s vyšší chybovostí. Cartesia Ink-2 podle stejného hodnocení poskytla první přepis za 0,07 sekundy, její WER ale dosáhl 4,0 %.
Rodina MAI Transcribe pokrývá 60 jazyků
Microsoft pro rodinu MAI Transcribe uvádí jeden vícejazyčný model s podporou 60 jazyků. Mezi její funkce řadí rozlišení mluvčích a časové značky na úrovni jednotlivých slov. Dostupnost konkrétních funkcí se může lišit podle použitého endpointu.
Pro rozpoznávání jmen a odborných termínů Microsoft uvádí možnost zvýhodnit zadaná klíčová slova. Rodina modelů nabízí také volbu mezi doslovným přepisem a upraveným výstupem.
Živý zvuk přes Voice Live API, zatím bez SLA
Živý přepis používá samostatné Voice Live API, zatímco předem nahrané zvukové soubory zpracovává Fast Transcription API. MAI-Transcribe-2-Streaming je přes Voice Live API dostupný ve veřejném preview bez smluvní garance úrovně služeb (SLA). Microsoft kvůli chybějícímu SLA nedoporučuje toto preview nasazovat do produkčního provozu.
Streamovací model stojí 0,54 dolaru za hodinu zvuku, stejně jako Gemini 3.5 Transcribe Live a více než ElevenLabs Scribe v2 Realtime či Deepgram Flux, zatímco dávkový MAI-Transcribe-2 má do konce roku 2026 propagační cenu 0,10 dolaru za hodinu.
