L’essentiel
Le 3 septembre 2026, Microsoft a lancé MAI-Transcribe-2, un modèle de reconnaissance vocale qui transcrit 60 langues pour 0,10 dollar l’heure d’audio — un tarif de lancement à durée limitée — et traite une heure d’enregistrement en dix secondes environ, soit, selon Microsoft, dix fois plus vite que GPT-Transcribe d’OpenAI. Pour les équipes techniques, la transcription devient de fait une commodité : précise, multilingue, temps réel et quasi gratuite. Cela ouvre des fonctionnalités jusqu’ici trop lentes ou trop chères — sous-titres en direct, analyse des appels en centre de contact, comptes rendus de réunion, recherche vocale — mais cela multiplie aussi le volume d’audio sensible que vous collectez et dont vous répondez au titre du RGPD. Traitez le sujet comme un élément de votre stratégie IA et données, pas comme une ligne d’API moins chère.
Ce que Microsoft a lancé le 3 septembre
La division IA grand public de Microsoft a lancé MAI-Transcribe-2, un modèle de reconnaissance vocale qu’elle présente comme le plus rapide, le plus précis et le moins cher au monde. Il transcrit l’audio dans 60 langues — contre 43 dans la version intermédiaire de juin — avec un taux d’erreur moyen par mot de 5,2 %, ce qui le place premier du benchmark multilingue FLEURS et deuxième du classement d’Artificial Analysis sur le taux d’erreur. Le modèle sépare les locuteurs, horodate chaque mot, privilégie le vocabulaire métier, gère les conversations qui changent de langue en cours de phrase et produit au choix un texte verbatim ou nettoyé. Pour les équipes qui développent des fonctionnalités IA et data, ce périmètre couvre l’essentiel des besoins réels de transcription.
Deux chiffres résument l’annonce. Côté vitesse, MAI-Transcribe-2 transcrit une heure d’audio en dix secondes environ — soit, selon Microsoft, à peu près dix fois plus vite que GPT-Transcribe d’OpenAI, sept fois plus vite que Scribe v2 d’ElevenLabs et cinq fois plus vite que Gemini 3.5 Transcribe de Google. Côté prix, il coûte 0,10 dollar l’heure d’audio, une baisse de plus de 70 % par rapport aux 0,36 dollar de MAI-Transcribe-1. L’accès passe par Microsoft Foundry avec Azure Speech, le MAI Playground et OpenRouter : la plupart des équipes peuvent donc l’atteindre via une infrastructure qu’elles utilisent déjà.
Une réserve accompagne le prix, car c’est elle qui pèse le plus sur la planification. Le tarif de 0,10 dollar est explicitement une offre à durée limitée que Microsoft dit valable jusqu’à fin 2026, et l’entreprise n’a pas publié de prix définitif. Les tarifs de lancement agressifs sont un schéma bien connu dans l’IA pour conquérir les développeurs ; c’est donc sur le prix standard à venir qu’il faut bâtir votre modèle économique, pas sur le prix promotionnel. La tendance, elle, est claire : la transcription devient moins chère et plus rapide chez tous les fournisseurs, pas seulement chez celui-ci.
Pourquoi le prix et la vitesse changent la donne
Quand une capacité devient d’un coup dix fois moins chère et plus rapide, le vrai changement n’est pas que les fonctionnalités existantes coûtent moins — c’est que des fonctionnalités jusque-là non rentables deviennent viables. À 0,36 dollar l’heure et plusieurs minutes de latence, transcrire chaque appel au support, chaque échange commercial ou chaque message vocal était une dépense à justifier et un délai visible pour l’utilisateur. À 0,10 dollar l’heure et dix secondes par heure d’audio, tout transcrire quasi en temps réel devient l’hypothèse par défaut. Un million d’heures d’audio — un volume sérieux pour un produit de taille moyenne — se transcrit pour environ 100 000 dollars, et probablement moins à mesure que les prix baissent. Le coût n’est plus une raison de ne pas construire la fonctionnalité.
La vitesse compte autant que le prix, car c’est la latence qui décide si la transcription peut s’intégrer à une expérience en direct ou seulement tourner en traitement par lots après coup. Dix secondes pour une heure d’audio signifient qu’une transcription en streaming suit le rythme d’une conversation : c’est exactement ce qu’exigent les sous-titres en direct, l’assistance en temps réel aux conseillers, les assistants de réunion et les interfaces vocales. L’écart entre « nous transcrivons l’enregistrement pendant la nuit » et « nous affichons le texte pendant que la personne parle » est celui qui sépare une fonction analytique d’une expérience produit — et cet écart vient de se réduire pour tout le monde.
Sur le plan stratégique, la reconnaissance vocale se banalise comme le stockage objet ou les notifications push avant elle. Quand une capacité est bon marché, rapide et proposée par plusieurs fournisseurs, l’avantage concurrentiel ne vient plus du fait de l’avoir, mais de ce qu’on en fait : la qualité de structuration du transcript, l’extraction de l’intention, l’acheminement vers le bon processus et le respect de la vie privée de l’utilisateur. Le modèle est un prérequis ; c’est dans le produit qui l’entoure que se trouvent désormais le travail — et la différenciation.
Que change MAI-Transcribe-2 pour le marché français ?
Côté infrastructure, vérifiez que le modèle est disponible dans une région Azure européenne (par exemple France Central, à Paris) avant de l’envisager pour des conversations nominatives : un nouveau modèle n’est généralement pas déployé dans toutes les régions dès son lancement. Pour la santé, l’hébergement de données de santé à caractère personnel exige un hébergeur certifié HDS ; pour les acteurs publics et les opérateurs sensibles, la question de la qualification SecNumCloud de l’ANSSI se posera souvent avant celle du prix. En France, la différence se fera donc moins sur le centime par heure que sur une architecture conforme et documentée.
Conséquences pour les équipes produit en France
La première conséquence, pour la plupart des équipes, est un renversement de l’arbitrage « faire ou acheter ». Héberger soi-même un modèle open source comme Whisper sur ses propres GPU se justifiait souvent par le coût tant que les API hébergées étaient chères. À dix centimes l’heure et dix secondes de traitement, le calcul s’inverse : le temps d’ingénierie nécessaire pour exploiter, faire évoluer et maintenir un cluster de transcription bat rarement un point d’accès managé. Ne gardez l’auto-hébergement que là où il est réellement nécessaire — données qui ne peuvent pas quitter votre environnement, fonctionnement hors ligne ou isolé, vocabulaire très spécialisé exigeant un modèle affiné. En France, le premier cas est fréquent dans la santé, la défense et le secteur public.
La deuxième conséquence : une transcription bon marché multiplie votre empreinte de données sensibles, et c’est un sujet de gouvernance autant que d’architecture. Les enregistrements vocaux et leurs transcriptions sont des données personnelles — souvent des données sensibles — au sens du RGPD, et le fait qu’ils soient peu coûteux à collecter ne les rend pas peu coûteux à conserver. Il vous faut toujours une base légale, un consentement lorsqu’il s’applique, des durées de conservation définies et une maîtrise claire du lieu de traitement et de stockage de l’audio. Pour les échanges réglementés en HealthTech ou en finance, traitez le flux vocal et sa transcription comme des données réglementées dès le premier prototype : décidez ce que vous enregistrez, ce que vous conservez et combien de temps, avant d’activer la fonctionnalité.
La troisième conséquence : gardez votre couche vocale portable et attentive aux juridictions. Prix, précision et couverture linguistique évoluent de mois en mois chez Microsoft, OpenAI, Google et ElevenLabs ; placez donc la transcription derrière une interface indépendante du fournisseur plutôt que de disséminer le SDK d’un seul acteur dans votre code — changer de fournisseur doit être une modification de configuration, pas une réécriture. Cette portabilité est aussi un levier de souveraineté : pour vos utilisateurs européens, vérifiez dans quelle région l’API vocale s’exécute réellement et si le fournisseur est soumis à des lois étrangères d’accès aux données, et soyez prêt à placer l’inférence là où prix et juridiction s’accordent. Bon marché ne veut pas dire conforme par défaut.
Check-list avant d’intégrer la voix à votre produit
- Modéliser le prix définitif. Bâtissez votre modèle économique sur le tarif standard attendu, pas sur la promotion de lancement à 0,10 dollar ; revérifiez à chaque changement de prix.
- Acheter plutôt qu’héberger — en général. Partez d’une API managée ; réservez l’auto-hébergement aux cas de résidence des données, de fonctionnement hors ligne ou de vocabulaire spécialisé où il est clairement rentable.
- Abstraire le fournisseur. Placez la transcription derrière une interface pour suivre prix, précision et couverture linguistique sans réécriture.
- Fixer la conservation dès le départ. Définissez combien de temps vous gardez audio et transcriptions, et supprimez selon le calendrier — une collecte bon marché n’est pas une raison d’accumuler.
- Base légale et information. Traitez la voix comme une donnée personnelle (souvent sensible) au sens du RGPD ; informez les personnes enregistrées et appuyez-vous sur les recommandations de la CNIL.
- Consulter le CSE. En usage interne (centre de contact, réunions), prévoyez l’information-consultation du CSE avant le déploiement.
- Aligner région et juridiction. Vérifiez où l’API vocale traite l’audio de vos utilisateurs européens, si elle est exposée à des lois étrangères d’accès aux données et, pour la santé, si l’hébergement est certifié HDS.
- Tester sur votre propre audio. Mesurez la précision sur vos accents, bruits de fond et termes métier — et utilisez le biais sur mots-clés avant de supposer qu’un score de benchmark se transpose.
Questions fréquentes
Qu’est-ce que Microsoft MAI-Transcribe-2 ?
MAI-Transcribe-2 est un modèle de reconnaissance vocale lancé par Microsoft le 3 septembre 2026. Il transcrit l’audio dans 60 langues, arrive en tête du benchmark multilingue FLEURS avec un taux d’erreur moyen par mot de 5,2 % et traite une heure d’audio en une dizaine de secondes. Microsoft le présente comme 10 fois plus rapide que GPT-Transcribe d’OpenAI, 7 fois plus que Scribe v2 d’ElevenLabs et 5 fois plus que Gemini 3.5 Transcribe de Google. Il prend en charge la séparation des locuteurs, l’horodatage au mot, le biais sur mots-clés, l’alternance de langues et une sortie verbatim ou nettoyée ; il est accessible via Microsoft Foundry avec Azure Speech, le MAI Playground et OpenRouter.
Combien coûte MAI-Transcribe-2 ?
Microsoft facture MAI-Transcribe-2 0,10 dollar l’heure d’audio, une offre qu’il présente comme limitée jusqu’à fin 2026, sans tarif permanent publié. C’est environ 72 % de moins que les 0,36 dollar l’heure de MAI-Transcribe-1. À 0,10 dollar l’heure, transcrire un million d’heures d’audio coûte environ 100 000 dollars : pour la plupart des produits, le coût n’est plus un véritable frein. Modélisez le futur prix standard plutôt qu’un business case qui ne tient qu’au tarif de lancement.
La transcription des appels est-elle compatible avec le RGPD et la CNIL ?
Oui, à condition de la traiter comme un traitement de données personnelles à part entière. Les enregistrements et leurs transcriptions relèvent du RGPD : il faut une finalité déterminée, une base légale, l’information préalable des personnes enregistrées, des durées de conservation limitées et la maîtrise du lieu de traitement. La CNIL publie des recommandations spécifiques sur l’enregistrement des appels. En usage interne, l’employeur doit en outre informer et consulter le CSE avant de déployer l’outil.
Faut-il auto-héberger Whisper ou utiliser une API vocale hébergée ?
Pour la plupart des équipes, l’API hébergée l’emporte désormais en coût total. Quand un modèle managé transcrit une heure d’audio pour dix centimes en dix secondes, exploiter un modèle open source comme Whisper sur vos propres GPU est rarement rentable une fois comptés le temps d’ingénierie, la location des GPU, la montée en charge et la maintenance. L’auto-hébergement reste pertinent si les données ne peuvent pas quitter votre environnement pour des raisons réglementaires, si vous avez besoin d’un fonctionnement hors ligne ou isolé, ou si un vocabulaire très spécialisé exige un modèle affiné.
Sources
Microsoft AI — MAI-Transcribe-2 is the fastest, most accurate and cheapest speech recognition model in the world (source primaire, 3 septembre 2026)
VentureBeat — Microsoft AI’s MAI-Transcribe-2 undercuts OpenAI, Google and ElevenLabs on price and speed (3 septembre 2026)