Microsoft AI: MAI-Transcribe 2

Microsoft AI : MAI-Transcribe 2 est un modèle de reconnaissance vocale de Microsoft, publié le 3 septembre 2026. Il appartient à la catégorie transcription, son rôle est donc étroit et spécifique : convertir un audio parlé en texte écrit. Microsoft le présente comme un système multilingue, et il est classé premier sur le benchmark multilingue FLEURS selon le fournisseur. Si votre travail implique de la parole dans plus d'une langue, cette combinaison de soutien du fournisseur et de positionnement dans les benchmarks est la principale raison d'examiner ce modèle plutôt qu'un modèle polyvalent.

Le modèle prend de l'audio en entrée et renvoie une transcription en sortie. Il couvre 60 langues et effectue l'identification automatique de la langue, vous n'avez donc pas à lui indiquer quelle langue est parlée avant d'envoyer une requête. Il gère aussi l'alternance codique, c'est-à-dire l'audio où les locuteurs passent d'une langue à l'autre dans le même enregistrement. Les détails publiés n'indiquent pas de longueur de contexte en tokens, et la sortie maximale est donnée comme zéro, considérez donc le modèle comme un point de terminaison de transcription pur plutôt que comme quelque chose que vous pouvez solliciter avec de longues instructions textuelles. Aucun paramètre de requête pris en charge n'est listé au-delà de ce que l'API exige pour identifier le modèle et transmettre l'audio.

Les usages pratiques découlent directement de ces capacités. Les enregistrements de réunions et d'appels dans des organisations multilingues sont un cas évident, en particulier lorsque les participants changent de langue en cours de conversation. Les flux de travail médias et podcasts peuvent l'utiliser pour produire des transcriptions sans étape distincte de détection de langue. Les projets de recherche et d'archivage traitant de la parole dans l'une des 60 langues prises en charge peuvent envoyer l'audio et obtenir du texte en retour. Comme l'identification de la langue est automatique, les traitements par lots sur de l'audio multilingue n'ont pas besoin d'être triés ou étiquetés au préalable.

Vous appelez le modèle via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle "microsoft/mai-transcribe-2". Comme l'interface suit le format OpenAI, les clients et SDK existants qui pointent déjà vers une URL de base compatible OpenAI peuvent être réutilisés, avec l'audio envoyé comme entrée et la transcription renvoyée dans la réponse. Le modèle ne liste aucun paramètre pris en charge, gardez donc les requêtes minimales : définissez l'identifiant de modèle, joignez l'audio, et évitez de supposer que des options d'échantillonnage ou de formatage auront un quelconque effet. Si un paramètre n'est pas listé comme pris en charge, il est plus sûr de l'omettre.

Concernant les limites, les faits disponibles sont minces. Il n'y a pas de longueur de contexte indiquée et la sortie maximale est de zéro, ce qui suggère que le modèle n'est pas destiné au prompt texte entrant, texte sortant ni aux réponses générées longues. Si votre tâche nécessite un raisonnement sur une transcription, un résumé, une traduction ou toute génération de texte, un modèle de texte est le meilleur choix, avec MAI-Transcribe 2 utilisé d'abord pour produire la transcription. Si votre audio sort des 60 langues prises en charge, ce modèle ne vous sera probablement pas utile.