Cosa ha annunciato Microsoft
La divisione Microsoft AI ha pubblicato il 1° ottobre, sul suo blog Tech Community, tre modelli della famiglia MAI:
- MAI-Transcribe-2-Streaming: converte la voce in testo man mano che arriva l’audio, in 60 lingue e con rilevamento automatico della lingua. Fornisce una prima versione del testo in poche centinaia di millisecondi e la corregge fino a fissare la trascrizione quando la persona smette di parlare. È il primo modello di trascrizione in streaming di Microsoft.
- MAI-Voice-2.1: modello di sintesi vocale che Microsoft descrive come il più espressivo mai realizzato, in 23 lingue, per i casi in cui la qualità della voce è la priorità.
- MAI-Voice-2.1-Flash: versione ottimizzata per rispondere in fretta e gestire grandi volumi, con le stesse lingue.
Naomi Moneypenny, direttrice dello sviluppo prodotto di Microsoft Foundry Models, ha spiegato che insieme offrono agli sviluppatori più opzioni per creare esperienze vocali naturali, e che trascrivere mentre la persona parla è importante quando un’applicazione deve agire in quel momento. Tra gli usi citati ci sono gli agenti di assistenza clienti, gli assistenti multilingue e i sottotitoli dal vivo.
Velocità, prezzi e disponibilità
Secondo Unite.AI, Microsoft afferma che il suo modello di trascrizione è al primo posto per precisione nella classifica della trascrizione in streaming di Artificial Analysis, e che il modello Flash genera audio con una latenza di circa 150 millisecondi. SiliconANGLE, dal canto suo, riporta una media di circa 320 millisecondi per la prima ipotesi di testo e precisa che Microsoft non garantisce questo valore in tutti gli scenari, perché anche la rete e il modello che genera la risposta aggiungono tempo. Sono dati del produttore, non test indipendenti.
I prezzi pubblicati sono:
- MAI-Transcribe-2-Streaming: 0,54 dollari per ora di audio, tariffa di lancio fino alla fine del 2026.
- MAI-Voice-2.1: 22 dollari per milione di caratteri.
- MAI-Voice-2.1-Flash: 15 dollari per milione di caratteri.
I tre modelli sono disponibili su Microsoft Foundry, MAI Playground, Vercel e Azure Voice Live; quelli vocali anche su OpenRouter. Secondo Microsoft, entrambi i modelli vocali permettono di clonare una voce a partire da pochi secondi di audio, con controlli sul consenso integrati.
Perché conta: la corsa all’agente vocale che non fa aspettare
Un agente vocale con IA funziona come una catena in tre passaggi: ascoltare (trasformare la voce in testo), pensare (un modello linguistico decide cosa rispondere) e parlare (convertire la risposta in voce). Ogni passaggio aggiunge ritardo, e in una telefonata bastano pochi secondi di silenzio perché il cliente abbia la sensazione di parlare con una macchina goffa. Unite.AI riassume la strategia di Microsoft come «recuperare tempo a entrambe le estremità» del ciclo: trascrivere prima che la persona finisca e rispondere con una voce rapida.
SiliconANGLE osserva che, separando i modelli che ascoltano, ragionano e parlano, gli sviluppatori possono controllare separatamente qualità, ritardo e costo. Con questo annuncio Microsoft compete in modo più diretto con i fornitori specializzati di voce e di piattaforme per agenti nel business dell’assistenza telefonica automatizzata, diventato uno degli usi più visibili dell’IA generativa nelle aziende.
Cosa significa per le aziende in Colombia e in America Latina
L’arrivo di giganti come Microsoft nella voce in tempo reale ha effetti pratici per qualsiasi azienda che assiste i clienti al telefono:
- Più concorrenza, prezzi migliori. Quando i grandi pubblicano tariffe per ora di audio o per milione di caratteri, il costo di automatizzare le chiamate tende a scendere per tutti.
- Conversazioni più naturali. Meno ritardo significa meno silenzi imbarazzanti e meno clienti che riattaccano prima di essere serviti.
- Verifica lingua e accento. Le fonti consultate parlano di 60 lingue per la trascrizione e 23 per la voce, ma non specificano le prestazioni sullo spagnolo della Colombia. Prima di scegliere un motore, provalo con chiamate reali dei tuoi clienti.
- Il modello non è la soluzione completa. Per gestire una chiamata servono il numero, il centralino, le regole per passare a un operatore umano, il collegamento con il tuo CRM e la registrazione con avviso al cliente.
- Attenzione all’uso delle voci clonate. Il fatto che uno strumento permetta di clonare voci non significa che si possa fare senza autorizzazione; la trasparenza verso il cliente resta fondamentale.
In 19 80 TIC Cloud integriamo agenti vocali con IA nel tuo PBX e call center in cloud, così la tecnologia vocale che scegli risponde sui tuoi numeri aziendali.
