MAI-Transcribe-2-Streaming: απομαγνητοφώνηση σε πραγματικό χρόνο

Η Microsoft ανακοίνωσε την 1η Οκτωβρίου 2026 το MAI-Transcribe-2-Streaming, μοντέλο speech-to-text (μετατροπή ομιλίας σε γραπτό κείμενο) που δίνει κείμενο σε πραγματικό χρόνο σε 60 γλώσσες, με αυτόματη αναγνώριση γλώσσας. Σύμφωνα με την εταιρεία, βγάζει τις πρώτες λέξεις σε λίγο πάνω από 100 ms. Κοστίζει 0,54 δολάρια την ώρα ήχου, εισαγωγική τιμή ως το τέλος της χρονιάς. Μαζί ήρθαν δύο μοντέλα text-to-speech (μετατροπή γραπτού κειμένου σε ομιλία): το MAI-Voice-2.1, στα 22 δολάρια ανά εκατομμύριο χαρακτήρες, και το MAI-Voice-2.1-Flash, στα 15. Και τα τρία είναι στο Vercel AI Gateway χωρίς επιπλέον χρέωση από τη Vercel. Αν υποστηρίζονται ελληνικά, δεν αναφέρεται.