Microsoft выпустила потоковую расшифровку речи: слова в тексте через 320 мс, русский есть, диаризации нет

Microsoft AI 1 октября выпустила MAI-Transcribe-2-Streaming — модель, которая выдаёт первые слова расшифровки через 100–320 мс после того, как они прозвучали, понимает 60 языков, включая русский, и стоит 0,54 $ за час аудио. Для бизнеса это первый у Microsoft движок, с которым можно реагировать на речь клиента во время разговора, а не после него.

Два числа задержки и одно первое место

Задержка зависит от того, какой пост Microsoft читать. Команда Microsoft AI пишет, что первые гипотезы появляются «чуть больше чем через 100 мс» после получения аудио, а слова встают в текст вдвое быстрее, чем у ближайшего конкурента. Блог Foundry осторожнее: «в большинстве случаев» слово видно через 320 мс после произнесения, у конкурентов — больше 500. Компания утверждает, что модель заняла первое место по точности на Artificial Analysis и по финальным, и по промежуточным транскриптам. Издания приводят 2,5% ошибок на финальном тексте, в самом посте Microsoft процентов нет. На публичной стриминговой таблице Artificial Analysis строки с этой моделью при подготовке заметки мы не нашли, TechTimes 2 октября отмечал то же. Пока это замер по методике рейтинга, а не независимая публикация.

Что внутри и чего нет

Статус — публичное превью без SLA, Microsoft сама не рекомендует его для продакшена. Подключение двумя способами: WebSocket, совместимый с Realtime API OpenAI, или Azure Speech SDK. Сессия до часа, звук PCM 16 или 24 кГц, определения конца реплики на сервере нет — когда закрывать фразу, решает клиент. Язык определяется автоматически; в таблице поддержки есть русский, украинский и казахский.

Главное ограничение: потоковая модель не различает говорящих и не ставит пословные таймкоды, в финальных результатах только смещение и длительность сегмента. Диаризацию и таймкоды Microsoft оставила пакетной MAI-Transcribe-2, которая стоит 0,10 $ за час — в пять раз дешевле. Модель отдаётся из трёх регионов Azure (Швеция, центр США, Азия), доступна в Microsoft Foundry, MAI Playground, через Vercel AI Gateway и OpenRouter; LiveKit — «скоро».

Вместе со стримингом вышли два синтезатора речи: MAI-Voice-2.1 за 22 $ за миллион символов и MAI-Voice-2.1-Flash за 15 $; по данным компании, Flash выдаёт 45 секунд речи со сквозной задержкой 150 мс. 23 языка, четыре русских голоса. Клонирование по 5–60 секундам записи открывают только после одобрения заявки и с подтверждённым согласием владельца голоса.

Чего Microsoft не сказала

Цену после конца 2026 года — 0,54 $ объявлены как вводный тариф. Срок выхода из превью. Точность отдельно по русскому — опубликованной нет. Размер модели и данные обучения не раскрыты, весов нет, только API.

Суфлёр менеджеру во время звонка: что меняется для отдела продаж

В проектах по разбору звонков, которые мы делаем для отделов продаж, расшифровка почти всегда идёт постфактум: запись легла в телефонию, ночью её прогнали, утром руководитель видит оценку. Стриминг открывает другой режим — суфлёр: клиент сказал «дорого», и через полсекунды у менеджера на экране лежит ответ из скрипта, а не разбор полётов через неделю. Саму модель я не гонял, и напрямую из России её не взять: Azure с 2022 года не продаёт новые подписки российским компаниям, через OpenRouter или Vercel технически можно, но гонять записи клиентских разговоров через зарубежный шлюз — это уже разговор с юристом про персональные данные. Из доступного потоковое распознавание есть у Yandex SpeechKit и SaluteSpeech, а Whisper локально хорош для разбора после звонка — в реальном времени его приходится костылить. Отсутствие диаризации в телефонии обходится просто: стороны обычно пишутся в разные каналы, и каждый канал идёт отдельным потоком. Действие на неделю: возьмите десять записей реальных звонков, прогоните через SpeechKit или SaluteSpeech и посмотрите, как движок читает ваши артикулы, названия и фамилии — если они разваливаются, суфлёр ставить рано, начните с разбора постфактум.