← Accueil actu | Salle du marché
2026-11-03 · Source:36氪快讯·中继

MAI-Voice-2.1 arrive en deux versions, facturées respectivement 22 dollars et 15 dollars par million de caractères.
Le 1er octobre, Microsoft a annoncé le lancement officiel de son nouveau modèle de transcription MAI-Transcribe-2-Streaming, proposé à un tarif de lancement de 0,54 dollar par heure d'audio, valable jusqu'à la fin de l'année. Ce prix ramène la barrière commerciale de la reconnaissance vocale à un niveau très facile à budgéter, et constitue la dernière action publique de Microsoft en matière de tarification sur le créneau de l'IA vocale.
Aux côtés de MAI-Transcribe-2-Streaming, Microsoft dévoile deux nouveaux modèles de génération vocale : MAI-Voice-2.1 et MAI-Voice-2.1-Flash. Pris ensemble, les trois modèles forment une gamme couvrant à la fois la reconnaissance et la génération de la parole. Toutefois, leur facturation diffère : le modèle de transcription est facturé à l'heure d'audio, tandis que les modèles de génération vocale le sont au volume de caractères. MAI-Voice-2.1 est proposé à 22 dollars par million de caractères, la version Flash à 15 dollars par million de caractères, soit environ 30 % de moins que la version standard.
Du point de vue du positionnement produit, cette gamme cible clairement deux types de charges de travail distincts. MAI-Transcribe-2-Streaming s'adresse à la transcription en flux temps réel : comptes rendus de réunions, archivage des enregistrements des centres d'appels, sous-titrage de direct et retranscription d'entretiens. Sa facturation horaire s'aligne naturellement sur les volumes d'activité des centres d'appels et des médias. La série MAI-Voice-2.1 cible quant à elle la synthèse vocale : assistants vocaux, production de contenu audio, robots d'appel sortant. Sa facturation au nombre de caractères, corrélée au volume de texte, facilite l'estimation des coûts pour les équipes de contenu. Disposer à la fois de la reconnaissance et de la génération permet aux acheteurs de couvrir l'ensemble de la chaîne vocale avec un même fournisseur, réduisant la complexité d'interfaces et de facturation liée au multi-fournisseurs.
Pour les entreprises qui achètent des capacités vocales en volume, l'intérêt central de ces chiffres réside dans leur prévisibilité. La durée audio et le nombre de caractères sont deux unités que l'acheteur peut estimer lui-même : une équipe traitant 10 000 heures d'enregistrements clients par jour peut calculer directement sa facture en multipliant les heures par le prix unitaire ; une plateforme générant plusieurs centaines de millions de caractères de contenu vocal par mois peut aligner sa consommation sur les tranches tarifaires de MAI-Voice-2.1 ou de la version Flash. Le tarif horaire de 0,54 dollar abaisse le seuil d'essai de la transcription à un niveau immédiatement lisible, et la fenêtre promotionnelle jusqu'à la fin de l'année offre une période de validation à coût maîtrisé : les entreprises peuvent y mener leurs évaluations de qualité, tests de charge et intégrations internes sans craindre une explosion des coûts de validation.
Attention toutefois aux conditions aux limites : il ne s'agit ici que d'un tarif de lancement à durée limitée. Une fois la fenêtre de fin d'année close, le communiqué ne précise pas à quel tarif pérenne MAI-Transcribe-2-Streaming sera proposé. Les acheteurs devront donc conserver une marge de flexibilité dans leurs budgets annuels pour absorber une éventuelle hausse. La démarche prudente consiste à traiter la période promotionnelle comme une fenêtre de P.O.C. et de déploiement progressif, à différer la signature des contrats commerciaux à grande échelle jusqu'à la clarification des prix de long terme, et à préserver, sur le plan technique, l'interchangeabilité du moteur de transcription afin de conserver un levier de négociation et de migration si la tarification long terme augmente sensiblement.
Du point de vue sectoriel, la tarification de l'IA vocale évolue rapidement vers un « coût unitaire prévisible ». Ces dernières années, la reconnaissance vocale était facturée à la requête ou en tokens, une unité difficile à convertir, empêchant toute comparaison directe entre offres ; les tarifs à l'heure et au million de caractères rapprochent aujourd'hui la capacité vocale d'une marchandise de calcul standardisée. L'écart d'environ 30 % entre MAI-Voice-2.1 standard et Flash perpétue par ailleurs la convention à deux voies du marché des modèles de fondation : la version standard garantit la qualité, la version légère comprime les coûts. Pour les usages sensibles à la latence mais sans exigence sonore extrême, la version Flash offre une option de réduction des coûts clairement identifiée ; pour les scénarios sensibles à la qualité sonore comme l'annonce de marque ou l'édition de contenu, la version standard reste le choix par défaut.
Pour les acheteurs de capacités de calcul IA, plusieurs dimensions méritent attention au moment de la décision d'achat. Premièrement, la capacité en flux : le suffixe Streaming de MAI-Transcribe-2-Streaming indique une orientation temps réel, adaptée aux centres d'appels et réunions nécessitant une transcription simultanée ; il convient toutefois de vérifier auprès du fournisseur, avant achat, si la transcription différée hors ligne passe par le même canal tarifaire. Deuxièmement, le risque de migration lié à la période promotionnelle : le tarif limité jusqu'à la fin de l'année implique un possible saut de facturation l'an prochain, à modéliser en amont côté finance. Troisièmement, le piège de conversion entre caractères et audio : la génération vocale est facturée au caractère, mais la langue et le traitement de la ponctuation influencent la consommation réelle ; il est recommandé de calibrer la facturation sur des échantillons métier réels pendant la période de validation. Quatrièmement, la stratégie de combinaison de fournisseurs : transcription et synthèse peuvent être attribuées à des prestataires distincts, et un achat segmenté par charge de travail offre souvent plus de levier de négociation qu'un achat groupé.
Sur le marché secondaire actuel, aucun prix de vente n'est disponible pour ce modèle. Cela est cohérent avec sa publication le 1er octobre et son stade de lancement à durée limitée : ce type de capacité de modèle sous forme d'API s'achète généralement via les canaux d'abonnement officiels, et non sous forme de machines complètes ou d'instances de calcul sur le marché spot. Les acheteurs doivent se fier exclusivement à la documentation tarifaire officielle et se méfier de toute offre non officielle se réclamant d'une « revente de quotas de modèles MAI ».
Au total, avec ce tarif limité de 0,54 dollar de l'heure sur le marché de la transcription, doublé d'un duo de modèles de génération vocale à deux niveaux de prix, Microsoft comble à la fois une lacune de sa gamme vocale et pose un ancrage tarifaire sur le marché des acheteurs. Pour ces derniers, la fenêtre précédant la fin de l'année est le moment idéal pour une validation à bas coût et une intégration technique, mais la véritable décision d'achat devra attendre que le prix de long terme et les données de volume d'activité soient tous deux clarifiés.
Q : Quel est le tarif promotionnel de MAI-Transcribe-2-Streaming et jusqu'à quand est-il valable ?
R : Le tarif de lancement est de 0,54 dollar par heure d'audio, valable jusqu'à la fin de l'année ; le prix long terme après cette date n'a pas été communiqué.
Q : Comment la série MAI-Voice-2.1 est-elle facturée et quel est l'écart entre les deux niveaux ?
R : La version standard coûte 22 dollars par million de caractères, la version Flash 15 dollars par million de caractères, soit environ 30 % de moins que la version standard.
Mots-clés: Microsoft · MAI-Transcribe-2-Streaming · MAI-Voice-2.1 · Speech AI · Speech Synthesis
萬安算交所 AIXX · AIXX · Bourse compute vérifiée · Accéder à la salle