Microsoft MAI-Transcribe-2-Streaming gir tekst etter 100 ms, og MAI-Voice-2.1 snakker bokmål

«En stemmeagent er en løkke. Den må høre, forstå, bestemme og snakke.» — Microsoft AI, lanseringsposten

Slik begrunner Microsoft AI de tre modellene laboratoriet lanserte 1. oktober. MAI-Transcribe-2-Streaming gir første foreløpige transkripsjon etter drøyt 100 millisekunder og retter den underveis etter hvert som mer lyd kommer inn. Agenten kan dermed begynne å resonnere eller kalle verktøy før brukeren har snakket ferdig. Microsoft oppgir at modellen er nummer én på nøyaktighet hos Artificial Analysis, og at ordene i interne tester dukker opp dobbelt så raskt som hos nærmeste konkurrent. Introduksjonsprisen er 0,54 dollar per lydtime ut året.

På talesiden kommer MAI-Voice-2.1 med 23 språk og 26 lokaliteter, der én stemme kan bytte språk og beholde identiteten med naturlig aksent i hvert. Den koster 22 dollar per million tegn. MAI-Voice-2.1-Flash støtter de samme språkene, har 150 ms ende-til-ende-latens og koster 15 dollar per million tegn. Begge kan klone en stemme fra noen sekunders referanselyd, men stemmekloning krever egen søknad hos Microsoft og samtykkelyd fra personen.

Den norske vinkelen ligger i dokumentasjonen. Microsoft Learn lister to bokmålsstemmer, nb-NO-Grant og nb-NO-Harper, for begge talemodellene, og MAI-Transcribe-2 står oppført med støtte for norsk bokmål. Talemodellene kjøres blant annet fra regionene North Europe og West Europe. Alt er i public preview uten SLA, og Microsoft fraråder bruk i produksjon foreløpig.

Modellene er tilgjengelige i Microsoft Foundry, MAI Playground, Vercel og Azure Voice Live, med LiveKit på vei. Talemodellene ligger også på OpenRouter. Microsoft har bygget en demo kalt Chatter i MAI Playground som kobler transkripsjon og tale i en levende agent.

Med norsk både inn og ut kan en stemmeagent på bokmål nå bygges på én leverandørs modeller, så lenge du lever med preview-vilkårene.