MAI-Realtime, Microsoft prova il modello vocale full duplex che parla e ascolta insieme

Microsoft ha lasciato intravedere un nuovo tassello della sua strategia vocale. Nelle sue superfici di test è comparso MAI-Realtime, un modello vocale bidirezionale ancora in anteprima interna, pensato per conversazioni più naturali, multilingua e capaci di usare strumenti esterni. Non c’è un annuncio ufficiale, non c’è una scheda tecnica pubblica e non ci sono benchmark: quello che sappiamo per ora arriva dalla scoperta del modello nelle superfici di prova dell’azienda, avvenuta il 2 agosto 2026.

Il nome dice già molto. La parola “realtime” indica un modello progettato per lavorare in tempo reale, mentre “bidirezionale” descrive la novità che conta davvero: la capacità di parlare e ascoltare nello stesso istante, senza aspettare che tu finisca la frase. È un dettaglio tecnico che, nella pratica, cambia il modo in cui percepisci una conversazione con un assistente.

Per Microsoft, però, la posta in gioco va oltre l’esperienza d’uso. Riguarda chi controlla la voce dell’AI.

Cosa significa bidirezionale e perché cambia l’esperienza

La maggior parte degli assistenti vocali che usi oggi funziona a turni, come un walkie-talkie. Tu parli, il sistema aspetta il silenzio, elabora la richiesta e solo dopo risponde. Questo schema introduce una latenza percepibile e rende impossibili le interruzioni fluide, quelle che nella conversazione umana sono del tutto normali: un “aspetta”, un “no, intendevo un’altra cosa”, un cenno di conferma mentre l’altro sta ancora parlando.

Un modello full duplex, cioè bidirezionale, elabora l’audio in entrambe le direzioni contemporaneamente. Può ascoltarti mentre parla, fermarsi se lo interrompi, riprendere il filo senza ricominciare da capo. Il risultato è una voce che somiglia meno a un comando vocale e più a un dialogo.

È la stessa direzione verso cui si stanno muovendo tutti i grandi laboratori, perché la naturalezza della voce è diventata il vero campo di battaglia dell’interfaccia conversazionale. Da quanto è emerso, MAI-Realtime aggiunge anche l’uso degli strumenti: può appoggiarsi alla ricerca sul web e ad altre funzioni mentre dialoga. In altre parole, non prova soltanto a suonare naturale, ma a essere utile mentre conversa.

La differenza, quando la senti, è immediata. Una risposta che arriva senza pause forzate cambia la fiducia che riponi nello strumento.

MAI-Realtime dentro la strategia vocale di Microsoft

Il nuovo modello non nasce isolato. Microsoft sta costruendo da tempo uno stack vocale completo sotto il marchio MAI, la sigla di Microsoft AI, la divisione che sviluppa modelli interni all’azienda.

Il pezzo dedicato alla sintesi vocale, la famiglia MAI Voice, genera parlato espressivo con un’efficienza notevole: è in grado di produrre circa un minuto di audio in meno di un secondo su una singola GPU, ed è già integrato in diverse funzioni dell’assistente. Accanto lavora un modello di riconoscimento vocale che gestisce l’ascolto in venticinque lingue.

Con MAI-Realtime il quadro si chiude. Metti insieme il modello che ascolta, quello che parla e quello che tiene viva la conversazione in tempo reale, e ottieni una filiera vocale che l’azienda possiede dall’inizio alla fine. È un cambio di prospettiva importante per un gruppo che, sul fronte dei modelli linguistici, ha costruito buona parte della sua offerta sulla tecnologia di OpenAI.

La spinta verso modelli proprietari era già evidente qualche mese fa. Ne ho parlato quando Microsoft ha presentato la famiglia di modelli MAI alla conferenza Build 2026, descrivendoli come l’AI interna pensata per ridurre la dipendenza dai fornitori esterni. MAI-Realtime è la naturale prosecuzione di quel percorso, applicata alla voce.

Perché controllare la voce conta così tanto

Quando ti appoggi alla tecnologia vocale di un altro fornitore, paghi l’inferenza, subisci le sue decisioni di prezzo e non governi la tabella di marcia. Sviluppare modelli propri ribalta questa logica: Microsoft può decidere costi, tempi e funzioni senza chiedere permesso a nessuno.

In un mercato in cui la voce sta diventando l’interfaccia principale verso l’AI, avere il controllo dell’intero stack è un vantaggio strategico, non un dettaglio da ingegneri. Chi possiede la voce possiede il rapporto quotidiano con l’utente, ed è una posizione che nessuno dei grandi vuole lasciare in mano ad altri.

Copilot, il terreno di gioco naturale

La destinazione più probabile di MAI-Realtime è Copilot, l’assistente che Microsoft ha distribuito su gran parte dei suoi prodotti. Se il modello entrasse nella versione di Copilot per Microsoft 365, raggiungerebbe gli utenti aziendali dentro Word, Excel, Teams e Outlook, cioè gli strumenti in cui milioni di persone lavorano ogni giorno.

Per te che leggi da qui c’è un dettaglio interessante: tra le lingue supportate comparse nell’anteprima c’è anche l’italiano, insieme a spagnolo, francese, tedesco, giapponese, cinese e diverse altre. Una voce davvero conversazionale in italiano, integrata negli strumenti di produttività, avrebbe un impatto concreto su come detti un documento, gestisci una riunione o interroghi i tuoi dati.

È qui che una demo tecnica si trasforma in una funzione quotidiana.

La corsa alla voce coinvolge tutti

Microsoft non si muove nel vuoto. OpenAI, che con ChatGPT ha portato la voce in tempo reale a un pubblico vastissimo, ha reso disponibile la sua API vocale già alla fine del 2024; Google spinge sulle capacità multimodali di Gemini, che includono l’audio; e i laboratori più giovani non stanno a guardare. Negli stessi giorni in cui è emerso MAI-Realtime, sul fronte degli assistenti vocali si sono moltiplicati gli annunci.

xAI, per esempio, ha accelerato sui tempi di risposta del suo assistente: ne ho scritto raccontando Grok Voice e il suo approccio speech-to-speech, pensato proprio per abbattere la latenza. Anche Apple ha rimesso mano alla voce, con un Siri ridisegnato e agenti nativi presentati alla WWDC 2026.

Il messaggio, letto tutto insieme, è chiaro: la conversazione naturale è diventata la posta in palio, e ogni grande attore vuole la propria voce, in tutti i sensi.

La differenza tra questi progetti la faranno tre cose: la latenza reale nelle condizioni d’uso quotidiane, la qualità del parlato nelle diverse lingue e la profondità dell’integrazione con gli strumenti che già utilizzi. Chi riuscirà a combinare naturalezza, velocità e utilità concreta partirà avvantaggiato.

Cosa resta da capire

Per ora la prudenza è d’obbligo. MAI-Realtime è in anteprima interna: Microsoft non ha pubblicato una scheda del modello, non ha comunicato prezzi né regioni di lancio e non ha diffuso confronti prestazionali con i concorrenti. Tutto quello che sappiamo arriva dall’osservazione del modello nelle superfici di test, non da una comunicazione ufficiale.

I punti da tenere d’occhio sono essenzialmente tre. Il primo è se e quando il modello passerà dall’anteprima interna a un accesso pubblico per gli sviluppatori. Il secondo è la rapidità con cui verrà integrato nelle funzioni vocali già presenti nell’assistente. Il terzo è se Microsoft inizierà a pubblicare benchmark che lo mettano a confronto con l’API vocale in tempo reale di OpenAI.

Le risposte diranno se MAI-Realtime è un esperimento di laboratorio o una vera mossa di prodotto. La direzione, però, è leggibile fin da ora.

In sintesi, cosa aspettarti

MAI-Realtime è il segnale che Microsoft vuole possedere l’intera esperienza vocale della sua AI, dalla comprensione del parlato alla risposta in tempo reale, riducendo il peso della tecnologia di OpenAI e portando la conversazione naturale dentro gli strumenti con cui lavori. Non è ancora un prodotto, ma indica con chiarezza dove sta andando l’interfaccia dell’AI: verso una voce che ascolta e risponde come farebbe una persona.

Se lavori con l’AI ogni giorno, ti conviene tenere d’occhio come questa tecnologia entrerà in Copilot e negli assistenti che usi. Prova fin da ora le modalità vocali disponibili, osserva dove la latenza ti rallenta e dove invece l’interazione fila liscia: capire questi limiti oggi ti aiuterà a sfruttare meglio gli strumenti di domani.

Continua a seguire i nostri aggiornamenti per non perderti le prossime mosse di Microsoft e dei suoi concorrenti sulla voce.