Microsoft AI ha presentato MAI-Transcribe-2, il nuovo modello speech-to-text sviluppato internamente per la trascrizione di contenuti audio, progettato per combinare accuratezza, velocità di elaborazione e supporto multilingue. Il modello raggiunge il primo posto nel benchmark pubblico FLEURS considerando 60 lingue, con un Word Error Rate medio del 5,2%, e introduce una serie di funzioni pensate per applicazioni che richiedono non soltanto la conversione della voce in testo, ma anche informazioni strutturate sugli interlocutori, sulla temporizzazione delle parole e sul formato finale della trascrizione.
Nei test utilizzati da Microsoft, MAI-Transcribe-2 definisce inoltre la frontiera di Pareto tra accuratezza e latenza nelle valutazioni di Artificial Analysis e occupa la seconda posizione nella relativa classifica basata sul Word Error Rate. Nel confronto tra precisione e velocità il modello registra un tasso di errore del 2,0% e uno speed factor pari a 403,6. Questo livello di throughput consente, nel contesto del benchmark, di elaborare circa un’ora di audio in una decina di secondi. Le valutazioni indicano prestazioni di elaborazione fino a dieci volte superiori a GPT-Transcribe di OpenAI, sette volte superiori a Scribe v2 di ElevenLabs e cinque volte superiori a Gemini 3.5 Transcribe, mantenendo contemporaneamente un livello di accuratezza più elevato nei test considerati.
MAI-Transcribe-2 viene confrontato anche con Gemini 3.5 Transcribe, GPT-Transcribe, Whisper V3-Large e ScribeV2 su una gamma più ampia di registrazioni provenienti da situazioni reali. Uno degli obiettivi del modello è infatti mantenere una buona qualità della trascrizione anche quando l’audio non proviene da ambienti controllati, quindi in presenza di rumore o condizioni di registrazione meno favorevoli. Il miglioramento della velocità di inferenza è particolarmente rilevante per i contenuti audio di lunga durata, nei quali la riduzione della latenza permette di aumentare sensibilmente il volume di materiale elaborabile.
Il supporto alle 60 lingue costituisce uno degli elementi centrali del sistema. Nei test FLEURS, MAI-Transcribe-2 mantiene livelli di accuratezza elevati sull’intero insieme linguistico considerato, permettendo agli sviluppatori che devono gestire contenuti multilingue di utilizzare un unico modello invece di distribuire il carico tra diversi sistemi specializzati. La possibilità di ricorrere a un solo modello può semplificare l’architettura delle applicazioni e ridurre anche la necessità di allocare risorse GPU differenti per ciascuna lingua. L’identificazione automatica della lingua consente inoltre di elaborare un file senza indicare preventivamente l’idioma parlato; l’impostazione manuale di una lingua specifica rimane disponibile quando il riconoscimento automatico non fornisce il risultato desiderato.
Il modello gestisce automaticamente anche il code switching, cioè le conversazioni nelle quali gli interlocutori alternano più lingue all’interno dello stesso dialogo. Sono inclusi casi frequenti come Hinglish, che combina hindi e inglese, e Spanglish, basato sull’alternanza tra spagnolo e inglese. Questa funzione permette di evitare la separazione preventiva delle parti della registrazione in base alla lingua utilizzata e rende il sistema più adatto a riunioni, interviste, conversazioni e contenuti vocali nei quali il passaggio da una lingua all’altra avviene naturalmente.
Tra le funzioni disponibili figura la speaker diarization, attraverso la quale MAI-Transcribe-2 distingue gli interlocutori presenti nella registrazione e assegna le rispettive porzioni di testo al parlante corretto. I segmenti restituiti possono comprendere informazioni sulla posizione temporale e sulla durata, facilitando l’elaborazione di meeting, interviste, telefonate e altre registrazioni con più partecipanti. A questa funzione si aggiungono i timestamp a livello di singola parola, che associano a ogni termine una posizione temporale precisa e possono essere utilizzati per sincronizzazione, ricerca all’interno dell’audio, navigazione e strumenti di editing. È possibile anche richiedere timestamp per segmento oppure escludere completamente le informazioni temporali.
Un’altra funzione riguarda il riconoscimento di termini specifici attraverso le phrase list. Lo sviluppatore può fornire al modello parole appartenenti a un determinato dominio, abbreviazioni, nomi propri o espressioni che potrebbero risultare difficili da identificare esclusivamente dal contesto acustico. Questi elementi vengono utilizzati come indicazioni per orientare il riconoscimento, senza essere imposti forzatamente all’interno della trascrizione. La funzione può risultare utile, per esempio, in registrazioni contenenti terminologia medica, tecnica, aziendale o specialistica.
L’output può inoltre essere configurato attraverso differenti stili di trascrizione. La modalità predefinita “verbatim” conserva quanto viene pronunciato, comprese esitazioni, parole riempitive e false partenze, ed è destinata soprattutto a contesti nei quali è necessario mantenere una rappresentazione fedele del parlato, come attività di conformità, quality assurance e analisi. La modalità “clean” interviene invece sul testo eliminando gli elementi superflui e formattando automaticamente alcuni schemi tipici del linguaggio parlato, ottenendo una trascrizione più leggibile per sottotitoli, appunti, documentazione e contenuti destinati alla pubblicazione.
Le applicazioni previste comprendono la produzione di note cliniche, la documentazione legale, i sistemi per l’accessibilità e il closed captioning, ma anche la trascrizione di riunioni, la documentazione dei call center, la creazione di contenuti e l’integrazione con voice agent. MAI-Transcribe può essere utilizzato anche per fornire la trascrizione dell’audio in ingresso all’interno della Voice Live API attraverso la configurazione della relativa sessione.
MAI-Transcribe-2 è disponibile in Azure Speech in public preview. In questa fase il servizio non dispone di un Service Level Agreement ed è indicato dalla documentazione Microsoft come non raccomandato per carichi di lavoro di produzione. L’accesso tramite Azure richiede un abbonamento Azure e una risorsa Microsoft Foundry per Speech. Le richieste vengono gestite attraverso la modalità enhanced della Fast Transcription API, specificando MAI-Transcribe-2 come modello da utilizzare.
Per l’elaborazione tramite questa API sono accettati file audio in formato WAV, MP3 o FLAC con dimensione inferiore a 300 MB. La famiglia comprende anche MAI-Transcribe-1.5 e il precedente MAI-Transcribe-1, quest’ultimo dichiarato deprecato dal 20 agosto 2026. MAI-Transcribe-2 può inoltre essere provato attraverso Microsoft Foundry, MAI Playground e OpenRouter.
Alle prestazioni tecniche Microsoft associa un prezzo di lancio di 0,10 dollari per ogni ora di audio elaborata. La tariffa è stata introdotta come offerta temporanea valida fino alla fine del 2026 e viene resa possibile dall’elevato throughput del modello. L’obiettivo è quindi abbinare una trascrizione multilingue ad alta precisione a tempi di elaborazione ridotti, mantenendo nello stesso sistema funzioni come riconoscimento automatico della lingua, diarizzazione degli interlocutori, timestamp, gestione del code switching, adattamento alla terminologia specialistica e scelta tra trascrizione letterale e testo ripulito.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)