Microsoft lanserer AI-modeller for tale i sanntid 60 språk
Microsoft slipper en strømmetranskripsjon som begynner å skrive mens brukeren snakker, sammen med to nye modeller for naturlig talesyntese.
En taleagent skal ikke vente på punktum
Microsoft lanserte 1. oktober 2026 tre modeller som dekker hver sin del av en samtale: MAI-Transcribe-2-Streaming for tale til tekst, MAI-Voice-2.1 for tekst til tale og MAI-Voice-2.1-Flash for raske, store volumer. Microsoft AI beskriver lanseringen her.
Den viktigste modellen er strømmevarianten for transkripsjon. Den lager delvise tekstforslag litt over 100 millisekunder etter at lyd kommer inn, før den retter og låser teksten når mer kontekst er tilgjengelig. Modellen støtter 60 språk og automatisk, løpende språkgjenkjenning, ifølge Microsofts lanseringsnotat.
Forskjellen er merkbar i arbeidsflyter der et system må reagere før den som snakker er ferdig. En kundeserviceagent kan begynne å finne riktig sak, en tekstingstjeneste kan vise ord mens møtet pågår, og en stemmeassistent kan forberede et verktøykall tidligere. Det er Microsofts egne brukseksempler, men de illustrerer hvorfor noen hundre millisekunder betyr mer i tale enn i vanlig chat.
Tre modeller som skal henge sammen
MAI-Voice-2.1 er Microsofts nye talesyntesemodell for flerspråklige opplevelser. Den støtter 23 språk og 26 lokaler, og selskapet sier at én stemme kan beholde samme identitet på tvers av språk samtidig som uttalen tilpasses språket. Kilden er Microsoft AI.
Flash-varianten er laget for situasjoner der responstid og volum veier tyngst. Microsoft oppgir rundt 150 millisekunders ende-til-ende-latens for 45 sekunder lyd, og beskriver modellen som om lag 55 prosent raskere og rundt 60 prosent billigere enn sammenlignbare modeller. Dette er leverandørens egne sammenligninger, ikke en uavhengig pris- eller kvalitetstest. Microsofts spesifikasjoner og forbehold står i lanseringsartikkelen.
Begge stemmemodellene støtter også stemmekloning fra noen sekunder med referanselyd. Microsoft oppgir samtidig at modellene har innebygde samtykkekontroller. Det gjør ikke stemmekloning risikofri: Bedriften må fortsatt ha dokumentert samtykke, kontroll på tilgang og en plan for å håndtere misbruk. Microsofts omtale av stemmekloning og samtykke er utgangspunktet for opplysningene.
Hva koster det, og hvor får du tilgang?
Microsoft oppgir en introduksjonspris på 0,54 dollar per lydtime for MAI-Transcribe-2-Streaming ut året. MAI-Voice-2.1 er oppgitt til 22 dollar per én million tegn, mens Flash koster 15 dollar per én million tegn. Prisene gjelder slik de er presentert av Microsoft 1. oktober, og norske utviklere bør sjekke faktisk fakturering, valuta og eventuelle plattformpåslag før de budsjetterer. Se prisene hos Microsoft AI.
Alle tre modellene er tilgjengelige gjennom Microsoft Foundry og MAI Playground. Microsoft oppgir også tilgang via Vercel, mens stemmemodellene kan brukes gjennom OpenRouter. Microsoft Foundry-bloggen beskriver modellene og integrasjonene for utviklere.
Benchmarken bør leses med riktig bruksområde
Microsoft skriver at MAI-Transcribe-2-Streaming debuterer som nummer én for nøyaktighet på både delvise og endelige transkripsjoner hos Artificial Analysis. Det er relevant for lydutviklere, men tallet sier ikke alene hvordan modellen fungerer med norske dialekter, faguttrykk, støy eller blandede møter. En norsk virksomhet bør derfor teste egne opptak før den flytter produksjonstrafikk. Lanseringskilden presiserer hva rangeringen gjelder.
For oversikt over andre verktøy for lyd, tale og video kan du se Altais kategori for video og lyd. Det gjør det enklere å sammenligne en utvikler-API med ferdige tjenester som allerede tilbyr transkripsjon eller stemmegenerering.
Hva betyr dette for norske brukere og bedrifter?
Lanseringen gir norske team en ny byggestein for kundeservice, møteteksting, opplæring og flerspråklige assistenter. Den store testen blir ikke om en agent kan svare raskt, men om den hører riktig når samtalen går fort, skifter språk eller inneholder navn og fagord. Start med en avgrenset pilot, mål feil og forsinkelse på ekte norsk lyd, og avklar personvern og samtykke før modellen får handle på vegne av kunder.
Ofte stilte spørsmål
Hva er MAI-Transcribe-2-Streaming? Det er Microsofts strømmede tale-til-tekst-modell. Den viser delvise transkripsjoner mens lyd kommer inn, støtter 60 språk og har automatisk, løpende språkgjenkjenning. Kilde: Microsoft AI
Har Microsofts nye stemmemodeller støtte for flere språk? MAI-Voice-2.1 og MAI-Voice-2.1-Flash støtter ifølge Microsoft 23 språk og 26 lokaler, med samme stemmeidentitet på tvers av språk. Test alltid språk og uttale på egne eksempler før produksjonsbruk. Kilde: Microsoft AI
Kan norske bedrifter ta modellene i bruk nå? Microsoft oppgir tilgang via Microsoft Foundry og MAI Playground, i tillegg til enkelte partnerplattformer. Tilgjengelighet, priser og databehandling bør kontrolleres for den konkrete kontoen og løsningen. Kilde: Microsoft Foundry-bloggen
Slik vurderer vi
Vi baserer innholdet på offisielle priser, leverandørenes egne sider og uavhengige kilder, oppdatert løpende. Vi tjener provisjon på enkelte lenker, men det påvirker ikke vurderingen.