Microsoft ilk anlık konuşma tanıma modelini çıkardı: MAI-Transcribe-2-Streaming

Microsoft AI, 1 Ekim 2026'da ilk anlık (streaming) konuşma tanıma modeli MAI-Transcribe-2-Streaming'i duyurdu. Model, konuşan kişi sözünü bitirmeden sesi parça parça yazıya döküyor. Şirket aynı gün metni sese çeviren iki yeni model, MAI-Voice-2.1 ve MAI-Voice-2.1-Flash'ı da tanıttı. Üç model birlikte, insanlarla sesli konuşabilen yapay zeka ajanları kurmak isteyen geliştiricilere yönelik. MAI-Transcribe-2-Streaming, Microsoft Foundry ve Azure Speech üzerinden genel önizlemede.

Konuşma sürerken yazıya döken model

Microsoft Learn'deki belge sayfasındaki bilgilere göre MAI-Transcribe-2-Streaming, sesi kesintisiz bir akış olarak alan ve konuşma sürerken metni adım adım döndüren düşük gecikmeli bir konuşmadan metne modeli. Ara sonuçlar o anki tahmini sürekli güncelliyor, kesin sonuçlar ise her bölümü onaylıyor. Microsoft; çağrı merkezleri, sesli asistanlar, toplantı ve ders altyazısı, sesle yönetilen arayüzler ve anlık not tutmayı kullanım alanları olarak sayıyor. Şirket daha önce kayıtlı sesler için MAI-Transcribe-2'yi tanıtmıştı; yeni model bu ailenin canlı sesle çalışan ilk üyesi.

Microsoft'un duyurusuna göre model 60 dili destekliyor ve konuşulan dili otomatik ve sürekli olarak algılıyor. Belgedeki dil listesinde Türkçe de yer alıyor, Arapça ve Çince de listede. Dil belirtilmezse model çok dilli modda çalışıyor. Şirkete göre model ilk ara sonuçları sesi almaya başladıktan 100 milisaniyenin biraz üzerinde bir sürede veriyor; duyuru tarihinde bağımsız ölçüm sitesi Artificial Analysis'te hem ara hem kesin metinlerin doğruluğunda ilk sırada yer alıyordu.

Sesli ajanlar için üç model

MAI-Voice-2.1 ve MAI-Voice-2.1-Flash metni sese çeviriyor. Model sayfasındaki bilgilere göre MAI-Voice-2.1, ses kalitesinin hızdan önemli olduğu sesli kitap ve seslendirme gibi işler için, Flash sürümü ise çağrı merkezi ajanları ve sesli asistanlar gibi gecikmeye duyarlı işler için öneriliyor. İki model de duygu tonunu ayarlamayı ve kısa bir örnek kayıttan ses kopyalamayı destekliyor; Microsoft kötüye kullanımı önlemek için onay korumaları bulunduğunu belirtiyor. Sayfadaki dil listesinde Türkçe de var.

Microsoft'a göre MAI-Transcribe-2-Streaming ile MAI-Voice-2.1-Flash birlikte kullanıldığında konuşmanın iki ucunda da zaman kazanılıyor; ajan bu süreyi düşünmek, araç kullanmak ve yanıtını kontrol etmek için kullanabiliyor. Şirket, modelleri bir arada gösteren Chatter adlı bir denemeyi de MAI Playground'a ekledi.

Kullanım ve erişim

Geliştiriciler modeli Microsoft Foundry'de kendi kaynaklarına kurup iki yoldan bağlanabiliyor: OpenAI Realtime API ile uyumlu bir WebSocket bağlantısı ya da bağlantıyı yöneten Azure Speech SDK. Belgeye göre model şimdilik İsveç Orta, ABD Orta ve Güney Hindistan bölgelerinden sunuluyor, ABD Doğu 2 yakında ekleniyor. Microsoft, modellerin MAI Playground, Vercel ve Azure Voice Live üzerinden de kullanılabildiğini, LiveKit desteğinin yakında geleceğini söylüyor. Güncel fiyatlar Microsoft'un sitesinde.

Model genel önizlemede. Microsoft'un belgesine göre önizleme bir hizmet seviyesi anlaşması (SLA) olmadan sunuluyor, üretimdeki işler için önerilmiyor ve bazı özellikler sınırlı olabilir. Sunucu tarafında konuşmanın bittiğini algılayan bir özellik de şimdilik yok; duraklamaları uygulamanın kendisinin yakalayıp metni onaylatması gerekiyor. Türkçe başta olmak üzere kendi dilinizde ve kendi kayıtlarınızla denemek, sonuçları farklı açılardan görmek için de bağımsız araştırmacıların değerlendirmelerini takip etmek iyi olur.

Kaynaklar: Microsoft AI: Our first streaming transcription model, Microsoft Learn: MAI-Transcribe-2-Streaming, Microsoft Learn: Realtime API ile kullanım, Microsoft AI: MAI-Voice-2.1.