Microsoft lance trois modèles vocaux pour agents conversationnels : ce qu'il faut en retenir

Sur son site, la division Microsoft AI a présenté le 1er octobre 2026 trois modèles : MAI-Transcribe-2-Streaming, qui transforme la parole en texte au fil de la conversation, et MAI-Voice-2.1 et MAI-Voice-2.1-Flash, qui font l'inverse en lisant un texte à voix haute. L'éditeur les présente comme des outils pour construire des agents vocaux capables de tenir une conversation sans temps mort.

Pour la transcription, Microsoft affirme que les premiers mots provisoires arrivent en un peu plus de 100 millisecondes et que le modèle se classe premier en précision sur le comparatif Artificial Analysis. Ce sont des résultats annoncés par l'éditeur lui-même : ils indiquent une direction, pas une garantie de performance sur une ligne téléphonique réelle, avec ses bruits de fond et ses accents.

D'après la documentation technique de Microsoft, MAI-Transcribe-2-Streaming reconnaît 60 langues, dont le français, et détecte la langue automatiquement si on ne la précise pas. Le texte arrive en deux temps : une version provisoire qui se corrige pendant que la personne parle, puis une version définitive pour chaque segment. La documentation cite explicitement les centres d'appels et les assistants vocaux parmi les usages visés.

Deux limites techniques méritent d'être connues. Une session ne peut pas dépasser une heure. Surtout, avec l'API Realtime, le service ne détecte pas de lui-même la fin de parole : c'est à l'application de repérer quand l'appelant a fini de parler et de demander alors au service de finaliser au plus vite la transcription. Ce réglage, invisible pour l'utilisateur final, conditionne pourtant la sensation de fluidité, ou au contraire les coupures de parole.

Les deux modèles de voix couvrent 23 langues selon Microsoft. La liste des voix prêtes à l'emploi comprend quatre voix en français, dont une propose un style adapté aux centres d'appels. La version Flash est présentée comme la plus rapide, conçue pour les agents vocaux en temps réel, les serveurs vocaux interactifs et les centres d'appels ; la version standard privilégie le naturel pour les contenus longs, comme les livres audio.

Les deux modèles savent reproduire une voix à partir d'un court extrait de quelques secondes (Microsoft recommande 5 à 60 secondes). Microsoft réserve toutefois cette fonction à un accès sur demande, après examen, et exige un enregistrement du consentement de la personne dont la voix est reproduite : seules des voix autorisées peuvent être utilisées en production. Pour une entreprise tentée de donner la voix de son gérant ou d'une salariée à son standard, c'est un rappel utile : Microsoft impose ce consentement pour son service et, plus largement, reproduire la voix d'une personne sans son accord expose à des risques juridiques, à vérifier avec un conseil.

Les trois modèles sont en préversion publique. La documentation de Microsoft précise que cette préversion est fournie sans engagement de niveau de service et qu'elle n'est pas recommandée pour une utilisation en production. Autrement dit, un standard téléphonique dont dépend la relation client ne devrait pas reposer directement dessus tant que ce statut n'a pas évolué.

Côté tarifs, Microsoft annonce un prix de lancement de 0,54 dollar par heure d'audio pour la transcription, valable jusqu'à la fin de l'année. Pour les voix, il affiche 22 dollars par million de caractères pour MAI-Voice-2.1 et 15 dollars pour la version Flash. Ces prix s'adressent aux développeurs qui assemblent eux-mêmes un service ; ils ne disent rien du coût final d'un accueil téléphonique complet, qui comprend aussi la téléphonie, l'intelligence conversationnelle et l'exploitation.

Pour une entreprise française, la question de l'hébergement compte autant que la vitesse. La documentation indique que les voix sont servies notamment depuis les régions France Centre, Europe de l'Ouest, Europe du Nord et Suède Centre. Pour la transcription en direct, les régions listées sont Suède Centre, Centre des États-Unis et Inde du Sud, une quatrième région, Est des États-Unis 2, étant annoncée comme bientôt disponible.

Microsoft précise que ces modèles sont accessibles depuis le monde entier et que les requêtes sont acheminées vers ces régions. Avant de confier des conversations clients à un outil qui s'appuie sur ces briques, il est donc légitime de demander à son prestataire où chaque étape est traitée : la transcription, la génération de la réponse et la synthèse de la voix ne se font pas forcément au même endroit.

Cette annonce ne change rien du jour au lendemain pour une PME, mais elle fournit une grille de lecture. Face à une offre d'accueil téléphonique par IA, voici quatre questions simples à poser : les modèles utilisés sont-ils en préversion ou en version stable ? Dans quels pays les appels sont-ils transcrits et traités ? Une voix clonée est-elle utilisée, et avec quel consentement ? L'appelant est-il prévenu dès le début qu'il parle à une IA et que l'appel est enregistré ?

De son côté, Alyas annonce l'IA et l'enregistrement en début d'appel, transcrit et résume les conversations, transfère l'appel vers le numéro choisi par l'entreprise lorsque c'est nécessaire, et son hébergement est situé dans l'Union européenne.