Microsoft ha avviato i test privati di MAI Realtime, il primo modello di intelligenza artificiale sviluppato internamente dall’azienda per sostenere conversazioni vocali bidirezionali in tempo reale. Il sistema viene attualmente messo a disposizione di un numero limitato di partner attraverso l’ambiente MAI Playground e si trova ancora in una fase iniziale di accesso. In futuro potrebbe essere integrato nelle piattaforme di sviluppo AI di Microsoft e in servizi come Copilot, anche se l’azienda non ha ancora comunicato una data di rilascio ufficiale o un programma preciso per l’estensione della disponibilità.
La principale caratteristica di MAI Realtime è l’adozione di un’architettura full-duplex, capace di ascoltare e parlare contemporaneamente. I sistemi vocali tradizionali attendono in genere che l’utente abbia terminato il proprio intervento prima di elaborare e pronunciare una risposta. Il nuovo modello può invece continuare ad ascoltare mentre sta parlando, riconoscendo in tempo reale eventuali interruzioni, cambi di direzione o nuove richieste. La conversazione può così svilupparsi con un ritmo più vicino a quello di un dialogo umano, senza una rigida alternanza tra la fase di ascolto e quella di risposta. Questo funzionamento permette al modello di gestire anche le sovrapposizioni vocali. Durante i test, MAI Realtime avrebbe mostrato tempi di risposta molto contenuti e una buona capacità di reagire quando l’utente interviene mentre il sistema sta ancora parlando. Il modello può interrompere la propria risposta, interpretare la nuova frase e proseguire il dialogo tenendo conto dell’ultima indicazione ricevuta. L’architettura è simile a quella impiegata da altri sistemi vocali recenti, tra cui GPT Live di OpenAI e la tecnologia conversazionale sviluppata dalla startup Sesame.
Nella versione sottoposta ai test sono disponibili due voci, denominate Victoria e Grant. Entrambe presentano, secondo le prime valutazioni, un’intonazione e una capacità espressiva più naturali rispetto alle voci utilizzate dall’attuale modalità vocale di Copilot. Microsoft ha concentrato il modello sulla conversazione parlata e non sulla generazione audio generalista: MAI Realtime non è infatti progettato per cantare o produrre effetti sonori e altri suoni non verbali. Il sistema supporta il riconoscimento automatico della lingua e può continuare una conversazione anche quando l’utente passa da un idioma all’altro. Le lingue previste sono complessivamente 17: coreano, inglese, tedesco, spagnolo, francese, italiano, portoghese, giapponese, cinese, olandese, hindi, indonesiano, arabo, russo, turco, vietnamita e thailandese. Il rilevamento avviene durante il dialogo, senza richiedere all’utente di selezionare manualmente una nuova lingua prima di proseguire.
MAI Realtime mette inoltre a disposizione due differenti sistemi per stabilire quando l’utente ha terminato di parlare e il modello può iniziare a rispondere. Il primo utilizza l’endpointer MAI Ears all’interno di una modalità denominata Switchboard. Il secondo adotta un meccanismo deterministico che combina il rilevamento del silenzio con un’analisi semantica basata su Whisper. Entrambe le soluzioni sono state sviluppate per ridurre la latenza e distinguere una vera conclusione della frase da una semplice pausa, mantenendo al tempo stesso la possibilità di gestire interruzioni naturali. La corretta individuazione della fine di un intervento rappresenta un elemento centrale nei sistemi vocali in tempo reale. Una risposta avviata troppo presto può interrompere l’utente, mentre un’attesa eccessiva rende il dialogo lento e artificiale. L’impiego combinato di segnali acustici e analisi del significato consente a MAI Realtime di valutare non soltanto la presenza di un momento di silenzio, ma anche se la frase pronunciata appare semanticamente completa.
Per gli sviluppatori è disponibile un pannello di debug che permette di osservare la latenza in tempo reale, le fasi di elaborazione del modello e i relativi passaggi interni di inferenza. Microsoft prevede inoltre di introdurre nel Playground una funzione per condividere campioni delle conversazioni, facilitando la valutazione dei comportamenti del sistema e il confronto tra diverse configurazioni.
MAI Realtime completa la linea di modelli vocali proprietari che Microsoft ha presentato durante Build 2026. In quell’occasione l’azienda aveva mostrato MAI Voice 2, dedicato alla sintesi vocale unidirezionale, la variante MAI Voice 2 Flash, ottimizzata per una latenza particolarmente bassa, e il modello di riconoscimento vocale MAI Transcribe 1.5. Mancava tuttavia un sistema interno capace di gestire autonomamente l’intero ciclo di una conversazione vocale simultanea.
Fino a questo momento Microsoft ha utilizzato in larga misura tecnologie di OpenAI per offrire interazioni vocali in tempo reale. L’API Voice Live di Azure Speech ricorre al modello GPT Realtime per il livello di conversione diretta tra voce in ingresso e voce in uscita, mentre anche la modalità vocale di Copilot utilizza numerosi componenti basati sui modelli di OpenAI. L’introduzione di MAI Realtime potrebbe consentire all’azienda di ridurre progressivamente questa dipendenza, sostituendo alcune componenti esterne con tecnologie sviluppate all’interno della propria organizzazione.
Il modello rientra nella strategia della divisione Microsoft AI guidata da Mustafa Suleyman, impegnata nella costruzione di una linea autonoma di sistemi destinati ai prodotti e alle infrastrutture dell’azienda. Dopo avere presentato sette modelli proprietari a Build 2026, Microsoft ha iniziato a introdurre le proprie tecnologie in Copilot, Teams e Bing, sostituendo gradualmente alcune delle funzioni precedentemente affidate ai modelli di OpenAI. Una volta completata la fase di test, MAI Realtime potrebbe essere distribuito agli sviluppatori attraverso Microsoft Foundry e diventare il motore principale della modalità vocale di Copilot nei servizi rivolti al pubblico. Il progetto fornisce a Microsoft una componente proprietaria per l’interazione vocale simultanea, affiancando i modelli già sviluppati per la trascrizione e la sintesi e completando così la propria infrastruttura dedicata all’elaborazione del linguaggio parlato.