Kurumsal sesli ajan pazarındaki rekabet, 1 Ekim 2026’da gelen duyuruyla birlikte yetenek tartışmasından fiyat ve gecikme tartışmasına kaydı. Microsoft 1 Ekim 2026’da ilk akışlı transkripsiyon modeli MAI-Transcribe-2-Streaming ile iki yeni ses modelini duyurdu. Üç modelin ortak paydası yeni bir yetenek değil, aynı işi daha kısa gecikmeyle ve daha düşük birim fiyatla yapma iddiası. Şirket üçünü de saat ve karakter başına fiyatla birlikte açıkladı; duyurunun merkezinde demo değil tarife var.
MAI-Transcribe-2-Streaming, 60 dilde düşük gecikmeli gerçek zamanlı transkript üretiyor; dil algılaması otomatik ve sürekli çalışıyor. Model konuşmacının cümlesini bitirmesini beklemiyor. Sesi almaya başladıktan 100 milisaniyenin biraz üzerinde ilk hipotezlerini veriyor, bağlam geldikçe bu kısmi çıktıyı revize ediyor ve kararlı transkripti hemen sabitliyor.
Microsoft’a göre model Artificial Analysis sıralamasına hem nihai hem kısmi transkript doğruluğunda 1 numara olarak girdi ve doğruluk-gecikme değerlendirmesinde Pareto sınırında yer alıyor. Şirketin kendi iç değerlendirmelerine göre gerçek zamanlı dikte veya altyazı gibi kullanımlarda kelimeler en yakın rakibe kıyasla 2 kat hızlı ekrana düşüyor. Bu karşılaştırma şirketin kendi ölçümü; bağımsız bir doğrulaması yok. Tanıtım fiyatı yıl sonuna kadar saat başına 0,54 dolar ses.
Ses tarafında MAI-Voice-2.1, 23 dil ve 26 yerel ayarı destekliyor. Microsoft’un anlatımına göre tek bir ses bu dillerin tümünü gerçekten yerel aksanla konuşabiliyor ve diller arasında geçiş olduğunda konuşmacı aynı kalıyor. Fiyatı 1 milyon karakter başına 22 dolar.
MAI-Voice-2.1-Flash aynı dilleri ve diller arası konuşmacı tutarlılığını koruyor; yüksek hacimli, gecikmeye duyarlı işler için konumlandırıldı. 45 saniyelik sesi uçtan uca 150 milisaniye gecikmeyle üretiyor. Şirkete göre model çıkarımı yüzde 55 daha hızlı ve benzer modellere göre yaklaşık yüzde 60 daha ucuz; 1 milyon karakter başına 15 dolar.
Her iki ses modeli de birkaç saniyelik referans sesle, desteklenen tüm dillerde ses klonlama yapabiliyor. Microsoft modellerde kötüye kullanımı engelleyen yerleşik rıza koruyucuları bulunduğunu belirtiyor; bu koruyucuların nasıl işlediği ayrıntılandırılmadı.
Fiyat ve gecikmenin aynı duyuruda öne çıkması, sesli ajan kuran kurumsal ekipler için seçim ölçütünün değiştiğini gösteriyor. Transkripsiyon ve ses üretimi artık tek tek satılan yetenekler değil, bir çağrı boyunca sürekli tüketilen ve dakika başına maliyeti hesaplanan kalemler. Bu da rekabeti doğruluk sıralamalarından birim maliyet ve gecikme bütçesine taşıyor.
Şirketin çerçevesinde sesli bir ajan bir döngü olarak tanımlanıyor: duymak, anlamak, karar vermek, konuşmak ve bunu insanın hâlâ sohbet saydığı pencerede yapmak. MAI-Transcribe-2-Streaming ile MAI-Voice-2.1-Flash bu pencerenin iki ucundan zaman kazandırmak üzere konumlandırılıyor. Girişte kazanılan milisaniyeler konuşmanın anlaşılmasını, çıkışta kazanılanlar yanıtın duyulmasını öne çekiyor.
Rakamların tamamı şirketin 1 Ekim tarihli duyurusuna dayanıyor. Tanıtım fiyatının yıl sonundan sonra hangi seviyeye çekileceği, iç değerlendirmede hangi rakip modellerin karşılaştırmaya alındığı ve rıza koruyucularının teknik ayrıntıları açıklanmadı. Haberdeki fotoğraf temsilîdir; Microsoft’un duyurduğu modellerle ilgisi yoktur.