Microsoft accélère la transcription vocale en temps réel

Microsoft a présenté début octobre de nouveaux modèles vocaux dans Foundry, sa plateforme de modèles pour applications et agents, avec une promesse simple à énoncer et plus difficile à tenir : transcrire la parole en direct, sans attendre la fin de la phrase. Le modèle MAI-Transcribe-2-Streaming produit ses premières hypothèses en quelques centaines de millisecondes, tandis que MAI-Voice-2.1 et MAI-Voice-2.1-Flash servent à générer une voix de synthèse plus expressive ou plus réactive. Pour les centres de contact et les assistants vocaux, le sujet compte car chaque aller-retour gagné réduit les silences, les coupures et les appels raccrochés. Et dans la voix, le silence coûte vite cher.

Une transcription qui commence avant la fin de la phrase

Microsoft décrit MAI-Transcribe-2-Streaming comme un modèle de transcription incrémentale, c’est-à-dire un système qui propose un résultat partiel avant que l’énoncé soit terminé, puis l’affine au fil des mots. Naomi Moneypenny, senior director of product development chez Microsoft Foundry Models, explique que les premières hypothèses arrivent dans les “low hundreds of milliseconds” après réception de l’audio. La société dit aussi que le modèle a obtenu la première place en précision sur les transcriptions partielles et finales du classement Artificial Analysis. Cette approche change le tempo des usages : un agent peut identifier plus tôt la demande d’un client, et un assistant peut préparer une réponse ou un appel d’outil pendant que l’utilisateur parle encore.

Dans les faits, la promesse ne se limite pas à mieux reconnaître les mots. Elle vise aussi à réduire le délai perçu dans les échanges vocaux, qui reste l’un des principaux points de friction des interfaces conversationnelles. Microsoft positionne MAI-Voice-2.1 comme le modèle “expressive fidelity”, quand la version Flash est pensée pour les usages à fort volume où la rapidité et le coût priment. Le choix entre les deux dépend donc du type d’interaction, pas d’un simple argument de performance brute.

Pourquoi les centres d’appels regardent ça de près

Will Bodewes, CEO de Phonely, voit dans l’arrivée de Microsoft un signal fort pour le marché. Selon lui, “Voice AI is ready for prime time, if Microsoft’s entry into the market is any indication”. Il rappelle aussi que les premières API vocales hébergées pouvaient renvoyer une requête derrière des centaines d’autres pendant 30 secondes, ce qui, sur un appel téléphonique, ressemble surtout à une mauvaise blague. Phonely a donc construit sa propre infrastructure de routage pour trouver les endpoints les moins chargés et ramener ses réponses à 120 millisecondes, selon Bodewes. Le point clé n’est pas seulement la vitesse : c’est la maîtrise de la file d’attente, donc de l’expérience réelle côté utilisateur.

Le dirigeant insiste aussi sur un autre aspect souvent sous-estimé : les garde-fous métier doivent rester dans le code, pas être confiés au modèle. “Every sentence you add to a prompt adds another chance of failure. So we enforce the critical steps in code.” Pour lui, demander à une IA de gérer seule une vérification d’identité ou un remboursement revient à ouvrir la porte aux incidents. Microsoft va dans le même sens en visant des agents de service client, des assistants multilingues et des interfaces vocales plus fluides, mais la fiabilité dépendra encore de l’architecture autour du modèle.

Le vrai défi reste dans le milieu de la conversation

Amit Kiran Rege, machine learning researcher chez Phonely, nuance toutefois l’enthousiasme. Il estime que Microsoft a surtout amélioré les deux extrémités de la chaîne vocale — l’entrée et la sortie — alors que la difficulté principale se niche au milieu, dans ce que le système doit décider pendant les silences. C’est là qu’un agent doit savoir si l’interlocuteur a terminé, hésite, ou reprend la parole. Selon Rege, accélérer la pipeline sans ajuster la logique de prise de tour peut produire l’effet inverse : davantage d’interruptions audibles.

Son observation est concrète. Phonely a vu que réduire la latence de moitié pouvait rendre ces interruptions plus perceptibles, parce que le système répondait trop tôt avant que la personne n’ait vraiment fini. Autrement dit, une transcription plus rapide ne suffit pas à faire un bon agent vocal. La qualité dépend aussi de la synchronisation, du contexte et de la capacité à laisser respirer l’échange. C’est souvent là que les démonstrations brillent et que la production rappelle à l’ordre.

Ce que Microsoft cherche à installer sur le marché

Avec MAI-Transcribe-2-Streaming, MAI-Voice-2.1 et MAI-Voice-2.1-Flash, Microsoft tente de consolider une offre vocale complète dans Foundry, sa plateforme pour développeurs et agents. L’entreprise cible des cas d’usage assez précis : service client, assistants multilingues, captions en direct et interfaces pilotées à la voix. Le mouvement est stratégique, car il place Microsoft sur un terrain où la concurrence ne se joue plus seulement sur la qualité du texte généré, mais sur l’ensemble du pipeline vocal, du décodage à la restitution sonore.

Pour les équipes produit et les opérateurs, le message est assez clair : la voix devient utilisable à plus grande échelle, mais seulement si l’on traite ensemble la reconnaissance, la synthèse, la latence et le routage. Sinon, on obtient un agent très poli qui coupe la parole avec une confiance remarquable. Ce n’est pas exactement le comportement recherché.