Microsoft lancia MAI-Transcribe-2-Streaming: come funziona la traduzione

Microsoft ha presentato MAI-Transcribe-2-Streaming il 1 ottobre 2026, un modello pensato per trasformare la voce in testo mentre una persona sta ancora parlando.

A differenza dei sistemi che aspettano la fine dell’intervento, il nuovo servizio restituisce risultati provvisori che vengono aggiornati durante il flusso audio. Questo approccio apre scenari concreti per sottotitoli dal vivo, dettatura, riunioni e applicazioni vocali capaci di reagire prima della conclusione di una frase.

Il modello viene offerto attraverso un’API, quindi non è un programma da installare come una normale applicazione desktop. Per usarlo davvero serve collegarlo a un servizio o a un software che invii continuamente l’audio e mostri o utilizzi il testo ricevuto.

Come funziona nella pratica

Per provarlo concretamente, il percorso passa da Microsoft Foundry e da una connessione WebSocket. Dopo aver creato una risorsa Speech e distribuito il modello, l’applicazione apre il collegamento all’endpoint Realtime, autentica la sessione e dichiara quale deployment utilizzare.

Il microfono può quindi alimentare il servizio con audio PCM16 mono, mentre il server restituisce eventi di trascrizione man mano che arrivano i dati. Per esempio, un’applicazione per una conferenza può mostrare sullo schermo una frase inizialmente incompleta, sostituirla con l’ipotesi più aggiornata e poi conservarne la versione definitiva.

Lo stesso meccanismo può alimentare un assistente vocale che avvia un’elaborazione quando riconosce una richiesta, senza attendere la fine dell’audio. La documentazione consente anche di indicare manualmente la lingua oppure lasciare attivo il riconoscimento automatico in un catalogo di 60 lingue.

Cosa serve per utilizzarlo davvero

L’uso richiede un account Azure, una risorsa Microsoft Foundry compatibile e un deployment del modello in una regione supportata.

Chi sviluppa in Python può seguire l’esempio ufficiale installando le librerie indicate da Microsoft, impostando l’endpoint della risorsa e scegliendo l’autenticazione tramite Microsoft Entra oppure chiave API. Una volta avviata la sessione, il client invia piccoli blocchi audio e ascolta contemporaneamente ciò che restituisce il servizio.

Quando arriva una pausa naturale o termina la registrazione, l’applicazione invia un comando di commit per chiedere il testo definitivo del segmento. È importante sapere che il servizio non rileva in modo automatico la fine del parlato, quindi questa logica deve essere gestita dal client.

Ogni sessione può durare al massimo un’ora e il modello è attualmente in anteprima pubblica. Microsoft lo propone anche per call center, didattica e interfacce accessibili. Il prezzo introduttivo è di 0,54 dollari per ora di audio fino alla fine dell’anno.