מיקרוסופט חותכת שיהוי בקול אך מסתירה את המחיר

מי שניסה לבנות סוכן קולי בשיחה חיה מכיר את שתיקת המבוכה שבה שני הצדדים מחכים לשרת. מיקרוסופט הכריזה ב-2 באוקטובר 2026 על מודל התמלול בזמן אמת MAI-Transcribe-2-Streaming, לצד צמד מודלי ההקראה MAI-Voice-2.1 וגרסת Flash שלו. המטרה ברורה: לקצר את זמני התגובה בשיחה לרמה שמרגישה טבעית, בלי לרוקן את קופת הסטארטאפ. המספרים על הנייר מרשימים למדי, אבל השאלה היא מה יקרה לתקציב שלכם ברגע שהמבצע ייגמר.

תשובה עוד לפני סוף המשפט

היתרון המרכזי של MAI-Transcribe-2-Streaming טמון ביכולת להחזיר תוצאות חלקיות בתוך קצת יותר מ-100 מילישניות. המשמעות עבור מי שמפתח סוכנים קוליים היא שהמערכת לא צריכה לחכות עד שהמשתמש יסיים לדבר כדי לשלוח את הטקסט למודל השפה, אלא יכולה להתחיל לעבד כוונות במקביל לקליטת הדיבור. לפי בדיקות שפורסמו בפלטפורמת Artificial Analysis, המודל הגיע למקום הראשון בדיוק תמלול עם שיעור שגיאות מילים של כ-2.5% ושיהוי סופי של כ-0.13 שניות על פני 60 שפות נתמכות. זהו נתון שמשפר את חוויית השיחה לעומת תהליכי תמלול מסורתיים באצווה.

המהירות משנה את כללי המשחק.

מלכודת מחיר ההיכרות

החברה מציעה את שירות התמלול במחיר היכרות של 0.54 דולר לשעת שמע עד סוף שנת 2026. המספר הזה נשמע מפתה מאוד מול שירותי תמלול מתחרים, בייחוד עבור חברות ישראליות בתחום ה-Conversational AI כמו Gong, AudioCodes או Verint, שמנתחות היקפי שיחות עצומים. לשם השוואה, מודל MAI-Transcribe 2 הקודם שנמצא במערכת מתומחר ב-0.10 דולר לשעה לעיבוד רגיל, בעוד מודל 1.5 הוותיק יותר עלה 0.36 דולר לשעה. הפערים הללו ממחישים כי תמחור של שידור חי דורש משאבים כבדים בהרבה. אסור לבנות על התעריף הזה מודל כלכלי לשנה הבאה. מיקרוסופט לא פירסמה מה יהיה התעריף הקבוע מתחילת 2027, ואם המחיר יזנק לרמות המקובלות בענן, החיסכון הראשוני יימחק מהר מאוד. מי שמעביר כעת מערכת מבצעית שלמה לתשתית הזו מהמר בעיוורון על חשבון הענן שלו לשנה הבאה.

איכות מול מהירות בהקראה

בצד ההקראה, מיקרוסופט פיצלה את ההצעה לשני מסלולים דרך דף המוצר של MAI-Voice. מודל MAI-Voice-2.1-Flash מיועד לסוכנים אינטראקטיביים עם שיהוי של 150 מילישניות ותג מחיר של 15 דולר למיליון תווים. לעומתו, מודל MAI-Voice-2.1 הבסיסי גובה 22 דולר למיליון תווים ומתמקד בטבעיות ובהקראת תכנים ארוכים, כשהוא מוותר במודע על שיהוי נמוך לטובת עומק רגשי. שני המודלים תומכים ב-23 שפות ומאפשרים לשמור על זהות קולית אחידה במבטא מקומי בכל שפה. המערכת תומכת בהגדרות SSML מתקדמות לשליטה בסגנונות דיבור ורגשות, וכוללת פורמטי פלט כמו mp3 או pcm באיכות 24 קילוהרץ מונו. לפי החברה, במבחן שכלל 4,000 משתתפים, כמחצית מהם סברו שהקולות שייכים לאדם אמיתי.

היכולת לשכפל קול מדגימה של שניות בודדות, בין 5 ל-60 שניות לפי הדוקומנטציה, קיימת בשני המודלים, אך היא אינה פתוחה לכל דורש. בדוקומנטציה של Azure מצוין כי שכפול קול מוגדר תחת גישה מבוקרת (gated) ודורש אישור ייעודי והוכחת הסכמה של הדובר המקורי כדי למנוע הונאות ושימוש לרעה.

האותיות הקטנות של ה-Preview

לפני שמתחילים לשכתב את הקוד, כדאי לקרוא את הערת האזהרה בדפי השירות של החברה. ההשקה מוגדרת כרגע כגרסת Public Preview ללא הסכם רמת שירות מחייב (SLA), ומיקרוסופט מצהירה במפורש שהיא אינה מומלצת לעומסי עבודה מבצעיים. אם השירות יקרוס באמצע שיחה עסקית קריטית, אין לכם אל מי לפנות.

תכונה זו נמצאת כעת בתצוגה מקדימה ציבורית. תצוגה מקדימה זו מסופקת ללא הסכם רמת שירות, ואינה מומלצת עבור עומסי עבודה בייצור.דף המוצר ב-Microsoft Learn

סוגיה נוספת שנוגעת ישירות לשוק המקומי היא פערי השפות. בעוד שמודל התמלול תומך ב-60 שפות וכולל עברית באופן רשמי, מודלי ההקראה כוללים כרגע 23 שפות בלבד, ומיקרוסופט לא פירטה אם עברית נכללת ביניהן כבר עכשיו בדף המוצר. מי שבונה סוכן שמדבר עברית ייאלץ לבדוק את הזמינות בפועל לפני שיוותר על ספקים מוכרים.

מה כדאי לעשות עכשיו

אם אתם מפתחים סוכן קולי, זה הזמן לבצע בדיקות היתכנות ומדידות זמנים מקצה לקצה. אפשר לבחון את מודלי הקול בסביבת הבדיקות של החברה או דרך OpenRouter, שבה מודלי ההקראה כבר זמינים דרך ממשק אחיד. השילוב בין תמלול ב-100 מילישניות להקראה ב-150 מילישניות מאפשר לבדוק שיחות מהירות בהרבה מהמקובל, כולל שימוש במזהי קולות כמו Harper או Valeria בסגנונות שונים. עם זאת, לא הייתי ממהר להעביר את סביבת הייצור המרכזית. ההמתנה להתייצבות התמחור הרשמי של התמלול בתום שנת 2026 וליציאת השירות לגרסה יציבה תמנע הפתעות לא נעימות בחשבונית.

בינתיים, הכפתור עדיין אפור.

שאלות ותשובות

מה שואלים על זה

האם מודל התמלול MAI-Transcribe-2-Streaming תומך בשפה העברית?

כן, מודל התמלול תומך ב-60 שפות ובהן עברית עם זיהוי שפה אוטומטי, בעוד שמודלי ההקראה תומכים בשלב זה ב-23 שפות בלבד.

מה המשמעות של היעדר SLA בדף השירות של Azure Foundry?

המשמעות היא שמיקרוסופט אינה מתחייבת לזמינות או לביצועים רציפים, ולכן החברה עצמה ממליצה שלא להסתמך על השירות במערכות ייצור קריטיות.

האם ניתן להשתמש בשכפול קול באופן מיידי דרך ה-API הפתוח?

לא, היכולת לשכפול קול מדגימת שמע קצרה מוגדרת כסגורה ודורשת קבלת אישור גישה מראש ממיקרוסופט והוכחת הסכמת הדובר.

מקורות

1. Microsoft AI releases new transcription and text-to-speech models for voice agentsthe-decoder.com · המקור
2. MAI-Voice-2.1 and MAI-Voice-2.1-Flash - Speech Service - Foundry Toolslearn.microsoft.com · דף המוצר
3. Microsoft API and Modelsaka.ms · דף המוצר

איך בדקנו

30 עובדות בכתבה נבדקו אחת־אחת מול המקורות המקושרים ומול חיפוש ברשת ב־2 באוקטובר 2026. מה שלא אומת הוסר או מסומן כטענה של החברה. הכתיבה נעשתה בעזרת AI מהמקורות האלה בלבד, בעריכה ובאחריות של סלבה מלנדוביץ׳. טעות? כתבו לנו.