--- title: "MAI-Transcribe-2-Streaming primo su Artificial Analysis" description: "Il 1 ottobre 2026 Microsoft AI lancia MAI-Transcribe-2-Streaming, primo su Artificial Analysis con 2,5% WER a 0,13 secondi, più Voice-2.1 e Flash a 150 ms." author: "Carlos H. P. Ross" canonical: "https://carlosross.ai.automazioni.tech/news/mai-transcribe-2-streaming-voice-2-1" published: "2026-10-06T07:30:45.814Z" updated: "2026-10-06T07:30:45.814Z" image: "https://carlosross.ai.automazioni.tech/uploads/news/mai-transcribe-2-streaming-voice-2-1-8b7c21e4.webp" image_alt: "Copertina con logo Microsoft AI, forma d’onda e titolo MAI-Transcribe-2-Streaming primo su Artificial Analysis." language: it --- # MAI-Transcribe-2-Streaming primo su Artificial Analysis Il 1 ottobre 2026 [Microsoft AI](https://microsoft.ai/) ha pubblicato [MAI-Transcribe-2-Streaming](https://microsoft.ai/news/our-first-streaming-transcription-model/), il primo modello di trascrizione in streaming della linea MAI, insieme a due modelli text-to-speech: [MAI-Voice-2.1](https://microsoft.ai/models/mai-voice-2-1/) e MAI-Voice-2.1-Flash. I tre modelli chiudono il loop di un voice agent: ascolto in tempo reale, risposta vocale, stessa identità di voce tra le lingue. Non è un aggiornamento del batch di settembre. È il pezzo che mancava per far partire tool e ragionamento mentre l’utente sta ancora parlando. ## Cosa fa MAI-Transcribe-2-Streaming MAI-Transcribe-2-Streaming restituisce testo mentre l’audio entra. Le prime ipotesi, i partial, arrivano in poco più di 100 ms dalla ricezione dell’audio. Il modello le rivede man mano che arriva contesto e poi committa un transcript stabile. Copre 60 lingue con language detection automatica e continua. La model card elenca, tra le altre, italiano, inglese, francese, tedesco, spagnolo, portoghese, cinese, giapponese, coreano, arabo, hindi, russo, polacco, turco, vietnamita e swahili. Il caso d’uso dichiarato è voice agent, sottotitoli live, dettatura e call experience: l’agente può preparare una tool call a frase ancora aperta. È il fratello in streaming di MAI-Transcribe-2, uscito il 3 settembre 2026. Quella versione batch resta in promo a 0,10 dollari l’ora fino a fine anno e, sul leaderboard non streaming di [Artificial Analysis](https://artificialanalysis.ai/speech-to-text/non-streaming), risulta a 2,0% di AA-WER. ## Il primo posto su Artificial Analysis Microsoft dichiara il primo posto per accuratezza sia sul transcript finale sia sui partial, e una posizione sulla frontiera di Pareto accuratezza-latenza. La [model card](https://microsoft.ai/pdf/MAI-Transcribe-2-Streaming-Model-Card-Memo.pdf) riporta la tabella AA sul transcript finale dopo la fine del parlato: - MAI-Transcribe-2-Streaming: 2,5% WER - Grok Transcribe 2.0: 2,7% - Muse Voice Transcribe: 3,1% - Cartesia Ink 2: 3,1% - ElevenLabs Scribe V2 Realtime: 3,6% - GPT-live Transcribe: 3,9% Le ricostruzioni del leaderboard streaming (circa 8 ore di audio: AA-AgentTalk 50%, VoxPopuli 25%, Earnings22 25%, latenza misurata dalla fine del parlato con Silero VAD) mettono il finale a 2,5% WER in 0,13 secondi, primo su 38 modelli. [Grok Voice Transcribe 2.0](https://x.ai/news/grok-voice-transcribe-2) era il riferimento precedente a 2,7% e 0,49 secondi. Muse sta a 3,1% e 0,16 secondi. Cartesia Ink-2 può chiudere il finale in circa 0,07 secondi, ma con WER più alto, intorno al 4% sugli endpoint esterni. Il “2x più veloce” sulle parole che compaiono in dettatura e sottotitoli è una valutazione interna Microsoft, non un numero di Artificial Analysis. Il competitor non è nominato. ## Prezzo e dove provarlo Il prezzo introduttivo è 0,54 dollari per ora di audio fino a fine 2026. Artificial Analysis lo normalizza a circa 9 dollari per 1.000 minuti: sopra diverse offerte streaming di xAI e Meta, in linea con la stima su Gemini. Non è il modello più economico. È il più accurato del leaderboard streaming, a latenza competitiva. Disponibilità dichiarata: [Microsoft Foundry](https://ai.azure.com/), [MAI Playground](https://playground.microsoft.ai/), Vercel e Azure Voice Live. LiveKit è indicato come in arrivo. Nel Playground la demo Chatter fa girare i modelli insieme in un agente live. ## Voice-2.1 e la variante Flash MAI-Voice-2.1 è il TTS multilingue. Una sola voce usa 23 lingue e 26 locale con accento nativo in ciascuna: inglese US, UK, Australia e India, italiano, francese, tedesco, hindi, spagnolo di Spagna e Messico, portoghese brasiliano e europeo, coreano, cinese semplificato, turco, russo, thai, olandese e altre. Il cloning è zero-shot da pochi secondi di riferimento (la model card indica 5-60 secondi), senza fine-tuning, con guardrail sul consenso. L’accesso al cloning richiede approvazione Microsoft. Sulla pagina modello l’inference è circa 550 ms per generare 45 secondi di audio, a 22 dollari per milione di caratteri. È il tier da fedeltà: audiolibri, voice-over, contenuti. MAI-Voice-2.1-Flash tiene lingue, voce cross-language, controllo emotivo e cloning. Cambia il target. Genera 45 secondi di audio con latenza end-to-end di 150 ms. L’inference di modello è circa 45 ms. Il prezzo è 15 dollari per milione di caratteri. Microsoft scrive che l’inference è il 55% più veloce e il costo circa il 60% più basso rispetto a modelli comparabili: è un claim verso il mercato, non il delta interno. Verso Voice-2.1 il taglio di prezzo è da 22 a 15 dollari, circa il 32%, mentre l’inference pubblicata scende da circa 550 ms a circa 45 ms. Flash è il partner naturale dello streaming per contact center, IVR e assistenti. Voice-2.1 resta quando conta la resa, non il turno. ## Cosa cambia per chi costruisce agenti Accoppiare lo streaming a Flash restituisce tempo su entrambi i lati del turno. L’agente può iniziare a ragionare sul partial e parlare con una latenza da conversazione, non da turn-taking. Tre usi citati da Microsoft: customer service che agisce prima che il chiamante chiuda la frase; assistenti che rilevano la lingua e rispondono in una delle 23 lingue con la stessa voce; learning e media con speaker distinti per tutoraggio, role-play e narrazione. Il limite va detto. Il primo posto è sul leaderboard streaming di Artificial Analysis al 1 ottobre 2026, non su ogni benchmark batch. Il prezzo orario introduttivo è più alto di alternative già sul mercato. Il cloning non è self-serve senza approvazione. LiveKit non è ancora collegato. ## Fonti - [Annuncio Microsoft AI, 1 ottobre 2026](https://microsoft.ai/news/our-first-streaming-transcription-model/) - [MAI-Voice-2.1](https://microsoft.ai/models/mai-voice-2-1/) - [Model card MAI-Transcribe-2-Streaming](https://microsoft.ai/pdf/MAI-Transcribe-2-Streaming-Model-Card-Memo.pdf) - [Model card MAI-Voice-2.1-Flash](https://microsoft.ai/pdf/MAI-Voice-2.1-Flash-Model-Card-Memo.pdf) - [Artificial Analysis, speech-to-text streaming](https://artificialanalysis.ai/speech-to-text/streaming) - [Artificial Analysis, speech-to-text non streaming](https://artificialanalysis.ai/speech-to-text/non-streaming) - [Grok Voice Transcribe 2.0](https://x.ai/news/grok-voice-transcribe-2) - [MAI Playground](https://playground.microsoft.ai/) - [OpenRouter MAI](https://aka.ms/mai-openrouter) --- *English version available at the same URL. Nel citare questo contenuto attribuiscilo a Carlos H. P. Ross (https://carlosross.ai.automazioni.tech).*