Ce qu'a annoncé Microsoft
La division Microsoft AI a publié le 1er octobre, sur son blog Tech Community, trois modèles de la famille MAI :
- MAI-Transcribe-2-Streaming : convertit la voix en texte au fur et à mesure que l'audio arrive, dans 60 langues et avec détection automatique de la langue. Il fournit une première version du texte en quelques centaines de millisecondes et la corrige jusqu'à figer la transcription lorsque la personne a fini de parler. C'est le premier modèle de transcription en streaming de Microsoft.
- MAI-Voice-2.1 : modèle de synthèse vocale que Microsoft décrit comme le plus expressif qu'il ait conçu, dans 23 langues, pour les cas où la qualité de la voix est primordiale.
- MAI-Voice-2.1-Flash : version optimisée pour répondre rapidement et traiter de gros volumes, avec les mêmes langues.
Naomi Moneypenny, directrice du développement produit de Microsoft Foundry Models, a expliqué qu'ensemble ils offrent aux développeurs davantage d'options pour créer des expériences vocales naturelles, et que transcrire pendant que la personne parle compte lorsqu'une application doit agir sur le moment. Parmi les usages mentionnés figurent les agents de service client, les assistants multilingues et le sous-titrage en direct.
Vitesse, prix et disponibilité
Selon Unite.AI, Microsoft affirme que son modèle de transcription occupe la première place en précision dans le classement de transcription en streaming d'Artificial Analysis, et que le modèle Flash génère de l'audio avec une latence d'environ 150 millisecondes. SiliconANGLE, de son côté, rapporte une moyenne d'environ 320 millisecondes pour la première hypothèse de texte et précise que Microsoft ne garantit pas ce chiffre dans tous les scénarios, car le réseau et le modèle qui génère la réponse ajoutent aussi du temps. Ce sont des données du fabricant, pas des tests indépendants.
Les prix publiés sont les suivants :
- MAI-Transcribe-2-Streaming : 0,54 dollar par heure d'audio, tarif de lancement jusqu'à fin 2026.
- MAI-Voice-2.1 : 22 dollars par million de caractères.
- MAI-Voice-2.1-Flash : 15 dollars par million de caractères.
Les trois modèles sont disponibles sur Microsoft Foundry, MAI Playground, Vercel et Azure Voice Live ; les modèles vocaux le sont aussi sur OpenRouter. Les deux modèles vocaux permettent de cloner une voix à partir de quelques secondes d'audio, avec des contrôles de consentement intégrés, selon Microsoft.
Pourquoi c'est important : la course à l'agent vocal qui ne fait pas attendre
Un agent vocal doté d'IA fonctionne comme une chaîne en trois étapes : écouter (passer de la voix au texte), réfléchir (un modèle de langage décide quoi répondre) et parler (convertir la réponse en voix). Chaque étape ajoute un délai, et lors d'un appel téléphonique quelques secondes de silence suffisent pour que le client ait l'impression de parler à une machine maladroite. Unite.AI résume la stratégie de Microsoft comme le fait de «regagner du temps aux deux extrémités» du cycle : transcrire avant que la personne ait terminé et répondre avec une voix rapide.
SiliconANGLE souligne qu'en séparant les modèles qui écoutent, raisonnent et parlent, les développeurs peuvent contrôler séparément la qualité, le délai et le coût. Avec cette annonce, Microsoft concurrence plus directement les fournisseurs spécialisés en voix et en plateformes d'agents sur le marché de l'accueil téléphonique automatisé, devenu l'un des usages les plus visibles de l'IA générative en entreprise.
Ce que cela signifie pour les entreprises en Colombie et en Amérique latine
L'arrivée de géants comme Microsoft dans la voix en temps réel a des effets concrets pour toute entreprise qui sert ses clients par téléphone :
- Plus de concurrence, de meilleurs prix. Lorsque les grands acteurs publient des tarifs par heure d'audio ou par million de caractères, le coût de l'automatisation des appels tend à baisser pour tout le monde.
- Des conversations plus naturelles. Moins de délai, c'est moins de silences gênants et moins de clients qui raccrochent avant d'être pris en charge.
- Vérifiez la langue et l'accent. Les sources consultées parlent de 60 langues pour la transcription et de 23 pour la voix, mais ne détaillent pas les performances en espagnol de Colombie. Avant de choisir un moteur, testez-le avec de vrais appels de vos clients.
- Le modèle n'est pas la solution complète. Pour traiter un appel, il faut le numéro, le standard téléphonique, les règles de transfert vers un conseiller humain, la connexion à votre CRM et l'enregistrement avec information du client.
- Encadrez l'usage des voix clonées. Qu'un outil permette de cloner des voix ne signifie pas qu'on puisse le faire sans autorisation ; la transparence envers le client reste essentielle.
Chez 19 80 TIC Cloud, nous intégrons des agents vocaux dotés d'IA à votre PBX et centre de contacts dans le cloud, afin que la technologie vocale de votre choix réponde sur vos propres numéros professionnels.
