Microsoft Canlı Konuşma Modelini Duyurdu: 60 Dilde Metin

Microsoft AI, 1 Ekim 2026'da ses alanındaki üç yeni modelini duyurdu. Öne çıkan model, canlı konuşmayı gerçek zamanlı olarak yazıya çeviren MAI-Transcribe-2-Streaming oldu.

MAI-Transcribe-2-Streaming nedir?

MAI-Transcribe-2-Streaming, Microsoft AI ekibi tarafından geliştirilen düşük gecikmeli bir konuşma tanıma (speech-to-text) modeli. Model, konuşma devam ederken ses akışını sürekli işliyor ve metni anlık olarak üretiyor. Microsoft'a göre model, 60 dilde güvenilir tanıma sağlıyor ve farklı aksan, konuşma stili ile gerçek dünya ses koşullarında çalışacak şekilde tasarlandı.

Kullanım alanları doğrudan bu özellikten doğuyor: canlı altyazı, sesli asistanlar, dikte, çağrı deneyimleri ve tam kaydın bitmesini beklemek istemeyen diğer etkileşimli ürünler.

Gerçek zamanlı çalışma nasıl işliyor?

Model, bir ses akışını sürekli işleyerek hızlı "kısmi hipotezler" (partial hypotheses) ve ardından kararlı nihai sonuçlar üretiyor. Bu artımlı çıktı sayesinde uygulamalar, kişi hâlâ konuşurken yanıt verebiliyor. Teknik tarafta model, WebSocket üzerinden OpenAI Realtime API'ye benzer bir protokol kullanıyor; istemciler bir "commit" mesajı göndererek nihai transkripti mümkün olan en kısa sürede talep edebiliyor.

Fiyat ve erişim

Model, 31 Aralık 2026'ya kadar geçerli tanıtım fiyatıyla saat başına 0,54 dolardan sunuluyor. Erişim tarafında Microsoft iki kolay geçiş yolu vaat ediyor: OpenAI Realtime uyumlu API ve Azure Speech SDK ile "drop-in" (koda minimum değişiklikle) kullanım. Azure, modeli Central US, Sweden Central, Southeast Asia ve South India bölgelerinden sunuyor; East US 2 ise "yakında" olarak listelenmiş.

Ses üretimi: MAI-Voice-2.1 ve Flash

Aynı duyuruda iki metin-konuşma (text-to-speech) modeli de tanıtıldı. Şirkete göre MAI-Voice-2.1, bugüne kadarki en güçlü çok dilli ses sentez modeli. 15'ten fazla dil ve 18 yerel ayarı destekliyor; SSML üzerinden duygu ve stil kontrolü ile kapalı devre (gated) anlık ses klonlama sunuyor.

MAI-Voice-2.1-Flash ise yüksek hacimli ve gecikmeye duyarlı iş yükleri için tasarlandı. Microsoft'a göre 45 saniyelik sesi yaklaşık 150 milisaniye uçtan uca gecikmeyle üretebiliyor. Flash, düşük gecikmeli sesli ajan deneyimleri kurmak için Transcribe-2-Streaming ile doğal bir eşleşme olarak konumlanıyor.

Nereden erişilebilir?

Ses modellerine Microsoft Foundry, MAI Playground, Vercel, Azure Voice Live ve OpenRouter üzerinden erişilebiliyor. Canlı odaklı ürünler için LiveKit desteğinin de yakında gelmesi bekleniyor.

Neden önemli?

Sesli yapay zeka ajanları, 2026'da en hızlı büyüyen ürün kategorilerinden biri. Bu tür ajanlarda iki metrik belirleyici: gecikme ve saat başı maliyet. Microsoft'un hamlesi tam olarak bu iki noktaya yöneliyor: konuşmayı beklemeden yazıya çeviren bir tanıma modeli ve düşük gecikmeli bir ses üretim modeli. Ayrıca OpenAI Realtime uyumlu arayüz, geliştiricilerin mevcut entegrasyonlarını büyük ölçüde koruyabileceği anlamına geliyor.

Sesli ajan pazarında rekabet

Ses alanı, büyük yapay zeka laboratuvarlarının yeni çekişme alanı. OpenAI Realtime API'si, Google'ın canlı diyalog modelleri ve pek çok girişimin gerçek zamanlı ses çözümleri aynı ihtiyaca hizmet ediyor: İnsan gibi, beklemesiz konuşan asistanlar. Microsoft'un OpenAI Realtime uyumlu arayüz sunması, rekabette "geçiş maliyeti düşük alternatif" konumlanması anlamına geliyor. Kullanıcı açısından bu rekabetin sonucu, daha düşük fiyat ve daha düşük gecikme olarak geri dönüyor.

Özet

MAI-Transcribe-2-Streaming, konuşma sürerken metin üreten düşük gecikmeli bir konuşma tanıma modeli; 60 dil desteği sunuyor.
Tanıtım fiyatı: saat başına 0,54 dolar (31 Aralık 2026'ya kadar).
MAI-Voice-2.1 çok dilli ses sentezi; MAI-Voice-2.1-Flash yüksek hacim için ~150 ms gecikme hedefliyor.
OpenAI Realtime uyumlu API ve Azure Speech SDK ile drop-in kullanım mümkün.

Kaynak: Microsoft AI (1 Ekim 2026).