La transcription vocale de Microsoft gagne en vitesse et en précision

Microsoft AI a présenté le 3 septembre 2026 MAI-Transcribe-2, un modèle de reconnaissance vocale destiné à la transcription d’audio en 60 langues. La société le dit plus précis, plus rapide et moins cher que ses rivaux directs, avec un prix annoncé de 0,10 dollar par heure d’audio pendant une offre limitée. Pour les entreprises, l’enjeu est simple : faire baisser la facture sans perdre en qualité sur les enregistrements longs, bruités ou multi-intervenants.

Un modèle pensé pour les usages métiers, pas pour les beaux micros

Microsoft positionne MAI-Transcribe-2 sur des usages concrets : prise de notes médicale, documentation juridique, sous-titrage, accessibilité, réunions ou centres d’appels. Le modèle ajoute la diarisation, c’est-à-dire l’identification de qui parle dans un échange, des horodatages au mot près et des styles de transcription configurables. Ce trio compte davantage qu’un simple score de benchmark, car il détermine si un transcript sert vraiment à travailler. Et oui, un enregistrement de réunion sans attribution des voix ressemble vite à un procès-verbal écrit après le café de trop.

La documentation Microsoft Learn précise que MAI-Transcribe-2 est disponible dans Azure Speech en préversion publique, sans accord de niveau de service et sans recommandation pour la production. L’accès passe par l’API Fast Transcription en mode amélioré, avec une limite d’entrée de 300 Mo pour des fichiers WAV, MP3 ou FLAC. L’usage nécessite un abonnement Azure et une ressource Microsoft Foundry pour Speech.

Pourquoi Microsoft insiste autant sur la vitesse ?

Parce qu’en transcription, la vitesse n’est pas qu’un confort. Elle réduit le temps d’attente, mais aussi le coût de calcul quand les volumes montent. Selon Microsoft, le modèle atteint un facteur de vitesse de 403,6 sur les tests d’Artificial Analysis, soit environ dix secondes pour une heure d’audio, et il est présenté comme jusqu’à 10 fois plus rapide que GPT-Transcribe d’OpenAI, 7 fois plus rapide que Scribe v2 d’ElevenLabs et 5 fois plus rapide que Gemini 3.5 Transcribe de Google.

La société ajoute que MAI-Transcribe-2 tient mieux la route sur les audios dégradés, avec du bruit de fond, des micros médiocres ou des voix qui se chevauchent. Cette robustesse est importante pour les usages réels, notamment dans les entreprises où les enregistrements viennent rarement d’un studio. Microsoft dit aussi que le modèle sert de base à une transcription plus efficace dans ses propres produits, de Teams à Word et Excel via certaines intégrations déjà amorcées.

Des fonctions de détail qui changent l’usage

Le paramètre de style mérite l’attention. En mode verbatim, la transcription conserve les hésitations, les répétitions et les faux départs, ce qui convient aux besoins de conformité ou d’analyse. Le mode clean, lui, supprime les tics de langage et remet le texte en forme pour produire des comptes rendus ou des sous-titres plus lisibles. À cela s’ajoute un système de biais lexical, qui permet de privilégier des noms propres, sigles ou termes métiers sans les imposer de façon rigide.

Autre point utile : la détection automatique de langue reste activée par défaut, et le code-switching est géré pour les conversations mêlant plusieurs langues, avec Hinglish et Spanglish cités dans la documentation. Dans un environnement multilingue, cela évite de découper un échange en morceaux ou de demander à l’utilisateur de tout paramétrer à la main. C’est moins spectaculaire qu’un grand discours sur l’IA, mais beaucoup plus pratique au quotidien.

Les chiffres qui comptent vraiment

Microsoft met en avant plusieurs repères pour situer MAI-Transcribe-2 face à ses concurrents et à ses versions précédentes. Les comparaisons doivent toutefois être lues avec prudence, car elles reposent sur des bancs de test différents : FLEURS mesure surtout de la lecture multilingue, tandis qu’Artificial Analysis se rapproche davantage de l’usage métier.

Un coup de pression sur OpenAI, Google et les spécialistes

Microsoft cible clairement les modèles de transcription proposés par OpenAI, Google et ElevenLabs, sans même citer les spécialistes du secteur comme Deepgram, AssemblyAI ou Speechmatics. Le message est limpide : si un modèle interne fait aussi bien, voire mieux, pourquoi continuer à acheter ailleurs ? Cette logique est d’autant plus forte que Microsoft peut réinjecter la brique vocale dans Teams, Nuance ou Azure Speech, des produits déjà bien installés chez les entreprises.

Reste une série de questions classiques pour une mise en production. Le tarif de 0,10 dollar par heure est présenté comme temporaire, sans date de fin précise au-delà de la fin d’année. Microsoft ne détaille pas non plus la qualité par langue, la gestion du streaming en temps réel ni les règles de conservation des données. Pour les secteurs régulés, ces zones grises comptent presque autant que la performance brute, car une belle place au classement ne suffit pas à signer un contrat.

Ce que révèle cette sortie sur la stratégie de Microsoft

La sortie de MAI-Transcribe-2 confirme une tendance plus large : Microsoft veut construire ses propres modèles de fondation par modalité, puis les injecter dans ses produits et services. L’entreprise avance ainsi sur la voix, l’image, le code ou le raisonnement avec une logique de portefeuille, plutôt qu’avec un seul modèle censé tout résoudre. Cette approche réduit sa dépendance à OpenAI tout en comprimant ses coûts d’inférence.

Dans ce contexte, la transcription sert de laboratoire commercial. Le marché est assez mûr pour être comparé sur des métriques claires, mais encore assez fragmenté pour qu’un prix agressif fasse bouger les lignes. Si Microsoft tient ses promesses, la transcription pourrait devenir un service presque banal, donc plus difficile à facturer cher. C’est précisément là que le dossier devient sérieux pour les fournisseurs historiques comme pour les acheteurs.

MAI-Transcribe-2 est disponible dès maintenant dans Microsoft Foundry et MAI Playground, avec une arrivée annoncée sur OpenRouter plus tard. Microsoft compte visiblement capitaliser vite sur cette nouvelle version. Et dans la transcription, aller vite reste souvent le meilleur moyen de faire entendre son modèle.