MAI-Transcribe-2: Microsoft lancia il modello di trascrizione più veloce ed economico

Nel giro di pochi giorni il settore della trascrizione vocale ha cambiato ritmo. Microsoft AI ha presentato MAI-Transcribe-2, un modello di riconoscimento vocale che l’azienda descrive senza mezzi termini come il più veloce, il più accurato e il più economico sul mercato. Non si tratta di un semplice aggiornamento incrementale, ma del tentativo di Microsoft di prendersi una fetta importante di un settore dove finora i riferimenti erano OpenAI, Google ed ElevenLabs. E lo fa con un prezzo che, almeno in fase di lancio, ridefinisce le aspettative di chi lavora con l’audio ogni giorno.

Se ti occupi di podcast, sottotitoli, note cliniche, verbali legali o anche solo di trasformare riunioni in testo, questo annuncio ti riguarda da vicino. Vediamo cosa è stato presentato, perché conta e cosa cambia concretamente.

Cosa è MAI-Transcribe-2 e perché Microsoft alza la voce

MAI-Transcribe-2 è il nuovo modello speech-to-text del laboratorio interno di Microsoft, quello che negli ultimi mesi ha iniziato a costruire una famiglia completa di modelli MAI per ridurre la dipendenza dai partner esterni. La sigla MAI sta per Microsoft AI, e il numero due segna il passaggio alla seconda generazione della linea dedicata alla trascrizione.

La promessa è ambiziosa. Secondo l’annuncio ufficiale dell’azienda, il modello si colloca al primo posto sul benchmark pubblico FLEURS, che misura la qualità della trascrizione su 60 lingue, con un tasso medio di errore sulle parole del 5,2%. Non solo: definisce la frontiera di Pareto tra accuratezza e latenza nelle valutazioni indipendenti di Artificial Analysis e si piazza al secondo posto nella classifica generale sul tasso di errore della stessa piattaforma.

Detto in modo più semplice, Microsoft sostiene di aver trovato il punto di equilibrio migliore tra due obiettivi che di solito si escludono a vicenda: capire bene ciò che viene detto e farlo in fretta.

Il confronto con la concorrenza è esplicito. L’azienda dichiara che MAI-Transcribe-2 batte modelli affermati come Gemini 3.5 Transcribe di Google, GPT-Transcribe di OpenAI, Whisper V3-Large e ScribeV2 di ElevenLabs, non solo in laboratorio ma anche sulle registrazioni reali, quelle piene di rumore, sovrapposizioni e accenti che di solito mandano in crisi i sistemi automatici.

Velocità e prezzo, i due numeri che fanno la differenza

La parte più sorprendente dell’annuncio non riguarda tanto l’accuratezza, dove i margini tra i modelli di punta ormai sono sottili, quanto la combinazione di velocità e costo.

Sul fronte della rapidità, Microsoft cita le valutazioni di Artificial Analysis e parla di un modello fino a 10 volte più veloce di GPT-Transcribe di OpenAI, 7 volte più veloce di Scribe v2 di ElevenLabs e 5 volte più veloce di Gemini 3.5 Transcribe. Il vantaggio si fa sentire soprattutto sull’audio lungo, dove la bassa latenza diventa decisiva. Pensa a un’ora di riunione o a una puntata di podcast trascritta in pochi istanti invece che in minuti di attesa.

Poi c’è il prezzo, ed è qui che l’annuncio diventa davvero aggressivo. Al lancio MAI-Transcribe-2 costa 0,10 dollari per ora di audio, una tariffa presentata come offerta limitata fino alla fine dell’anno. Per capire la portata del taglio basta guardare alla generazione precedente: MAI-Transcribe-1.5 veniva proposto a 0,36 dollari l’ora, quindi parliamo di una riduzione di circa il 72%.

Dieci centesimi per un’ora di trascrizione cambiano l’economia di interi progetti. Chi processa migliaia di ore di audio, dai servizi di sottotitolazione alle piattaforme di analisi delle chiamate, si trova davanti a un costo che fino a poco tempo fa sarebbe stato impensabile.

Le funzioni pensate per il lavoro reale

Un modello di trascrizione non vive solo di percentuali di errore. Conta soprattutto cosa riesce a fare con l’audio che gli dai in pasto, e qui MAI-Transcribe-2 porta in dote una serie di funzioni pensate per casi d’uso professionali, dalle note cliniche alla documentazione legale, dall’accessibilità ai sottotitoli.

La più richiesta è la diarizzazione, cioè la capacità di distinguere chi sta parlando e di attribuire a ciascuno le sue parole all’interno di una registrazione. È un requisito fondamentale per verbali, interviste e riunioni con più partecipanti. Accanto a questa ci sono i timestamp a livello di singola parola, che consentono allineamenti precisi, ricerche puntuali nel testo e un montaggio molto più agevole di sottotitoli e clip.

Ci sono poi funzioni che aiutano nei contesti più difficili. Il keyword biasing permette al modello di riconoscere terminologia specialistica, sigle e nomi propri che il contesto da solo non basterebbe a chiarire. Gli stili di trascrizione configurabili, invece, offrono due modalità distinte: una detta verbatim, che cattura tutto comprese esitazioni e false partenze ed è utile per compliance e analisi, e una detta clean, che elimina gli intercalari per produrre testi più leggibili.

Non manca il supporto al code switching, cioè alle conversazioni che passano naturalmente da una lingua all’altra, incluse combinazioni molto diffuse come l’hinglish o lo spanglish. A completare il quadro ci sono l’identificazione automatica della lingua parlata e una robustezza dichiarata anche in condizioni rumorose, lontane dagli ambienti di registrazione controllati.

Sono proprio questi dettagli a fare la differenza quando porti un modello dal benchmark al lavoro di tutti i giorni.

Dove si colloca nella corsa dei modelli vocali

MAI-Transcribe-2 non arriva nel vuoto. Il riconoscimento vocale è diventato uno dei terreni più competitivi dell’intelligenza artificiale, e le mosse recenti lo dimostrano. Google aveva già alzato l’asticella con il suo modello di trascrizione vocale più preciso, mentre nuove realtà continuano a raccogliere capitali importanti proprio su questo fronte, come nel caso di Wispr Flow e del suo modello vocale Canto. Il segnale è chiaro: il mercato è tutt’altro che maturo.

Per Microsoft, però, c’è anche una lettura strategica più ampia. Il modello si inserisce in una famiglia MAI che negli ultimi mesi si è allargata a ragionamento, codice, immagini e voce, come mostra il recente primo modello di ragionamento dell’azienda. È la volontà, ormai evidente, di avere modelli propri e controllati internamente da offrire su Azure e nei prodotti Copilot, senza dipendere unicamente da fornitori esterni.

La scelta del prezzo aggressivo, in questa cornice, non è casuale. Conquistare gli sviluppatori con una tariffa bassa oggi significa costruire abitudini e integrazioni che diventeranno difficili da abbandonare domani, quando l’offerta promozionale sarà terminata.

Come provarlo e cosa aspettarsi

MAI-Transcribe-2 è disponibile da subito per essere testato attraverso Microsoft Foundry, il MAI Playground e OpenRouter, quindi puoi valutarlo direttamente sui tuoi file senza troppi passaggi tecnici. La disponibilità in anteprima pubblica lascia intendere che alcune caratteristiche potrebbero ancora evolvere, ma la sostanza è già sul tavolo.

Resta un punto di attenzione da tenere presente. Le percentuali e i confronti citati arrivano dalle valutazioni di Microsoft e da benchmark di terze parti come Artificial Analysis, quindi vanno letti come dati di parte finché non trovano conferma su larga scala. Come sempre, il modo migliore per capire se un modello fa al caso tuo è provarlo sul tuo materiale, con il tuo audio, il tuo gergo e le tue lingue.

Conclusioni

Con MAI-Transcribe-2 Microsoft prova a riscrivere le regole della trascrizione automatica, mettendo insieme accuratezza, velocità e un prezzo che difficilmente lascia indifferenti. Se lavori con l’audio, che si tratti di sottotitoli, note cliniche, verbali o podcast, vale la pena mettere alla prova il modello e confrontarlo con gli strumenti che già utilizzi.

Il consiglio è semplice: prendi un file rappresentativo del tuo lavoro quotidiano, caricalo nel Playground e valuta con i tuoi occhi qualità, velocità e resa sulle tue lingue. La corsa dei modelli vocali è appena entrata in una fase nuova, e questa volta il campo di battaglia non è solo la precisione, ma anche quanto costa e quanto è veloce arrivarci. Puoi approfondire tutti i dettagli tecnici nell’annuncio ufficiale di Microsoft AI.