In sintesi
Il 3 settembre 2026 Microsoft ha rilasciato MAI-Transcribe-2, un modello speech-to-text che trascrive 60 lingue a 0,10 dollari per ora di audio — un prezzo di lancio a tempo limitato — ed elabora un’ora di registrazione in circa dieci secondi, secondo Microsoft dieci volte più veloce di GPT-Transcribe di OpenAI. Per i team di sviluppo la trascrizione diventa di fatto una commodity: accurata, multilingue, in tempo reale e quasi gratuita. Si aprono funzionalità finora troppo lente o costose — sottotitoli dal vivo, analisi delle chiamate nei contact center, verbali delle riunioni, ricerca vocale — ma si moltiplica anche la quantità di audio sensibile che raccogliete e di cui rispondete ai sensi del GDPR. Trattate il tema come parte della vostra strategia di IA e dati, non come una voce di API più economica.
Cosa ha lanciato Microsoft il 3 settembre
La divisione di IA consumer di Microsoft ha rilasciato MAI-Transcribe-2, un modello speech-to-text che l’azienda definisce il più veloce, il più accurato e il più economico al mondo. Trascrive l’audio in 60 lingue — erano 43 nella release intermedia di giugno — con un tasso medio di errore sulle parole del 5,2 %, che lo colloca al primo posto nel benchmark multilingue FLEURS e al secondo nella classifica di Artificial Analysis sul word error rate. Il modello separa i parlanti, assegna un timestamp a ogni parola, dà priorità al lessico di settore, gestisce conversazioni che cambiano lingua a metà frase e restituisce a scelta un testo letterale o ripulito. Per i team che sviluppano funzionalità di IA e dati, questo insieme di funzioni copre la maggior parte delle esigenze reali di trascrizione.
Due numeri definiscono l’annuncio. Sulla velocità, MAI-Transcribe-2 trascrive un’ora di audio in circa dieci secondi — secondo Microsoft circa dieci volte più veloce di GPT-Transcribe di OpenAI, sette volte più di Scribe v2 di ElevenLabs e cinque volte più di Gemini 3.5 Transcribe di Google. Sul prezzo, costa 0,10 dollari per ora di audio, oltre il 70 % in meno dei 0,36 dollari del precedente MAI-Transcribe-1. L’accesso avviene tramite Microsoft Foundry con Azure Speech, il MAI Playground e OpenRouter: la maggior parte dei team può raggiungerlo con un’infrastruttura che già utilizza.
Accanto al prezzo va messa una precisazione, perché è l’aspetto che incide di più sulla pianificazione. La tariffa di 0,10 dollari è esplicitamente un’offerta a tempo che Microsoft dice valida fino a fine 2026, e l’azienda non ha pubblicato il prezzo definitivo. I prezzi di lancio aggressivi sono uno schema noto nell’IA per conquistare gli sviluppatori: le unit economics vanno quindi costruite sul futuro prezzo standard, non su quello promozionale. La direzione resta chiara: la trascrizione diventa più economica e più veloce presso tutti i fornitori, non solo questo.
Perché prezzo e velocità cambiano i conti
Quando una capacità diventa allo stesso tempo dieci volte più economica e più veloce, il cambiamento interessante non è che le funzioni esistenti costano meno — è che funzioni finora antieconomiche diventano sostenibili. A 0,36 dollari l’ora e minuti di latenza, trascrivere ogni chiamata all’assistenza, ogni conversazione commerciale o ogni messaggio vocale era una voce di spesa da giustificare e un ritardo che l’utente notava. A 0,10 dollari l’ora e dieci secondi per ora di audio, trascrivere tutto quasi in tempo reale diventa l’ipotesi di base. Un milione di ore di audio — un volume importante per un prodotto di medie dimensioni — si trascrive con circa 100.000 dollari, probabilmente meno man mano che i prezzi scendono. Il costo non è più un motivo per non costruire la funzione.
La velocità conta quanto il prezzo, perché è la latenza a decidere se la trascrizione può stare dentro un’esperienza dal vivo o solo girare a posteriori come elaborazione batch. Dieci secondi per un’ora di audio significano che la trascrizione in streaming tiene il passo di una conversazione: proprio ciò che serve a sottotitoli dal vivo, suggerimenti in tempo reale agli operatori dei contact center, assistenti per le riunioni e interfacce vocali. La distanza tra «trascriviamo la registrazione di notte» e «mostriamo il testo mentre la persona parla» è quella tra una funzione di analytics e un’esperienza di prodotto — e si è appena ridotta per tutti.
In chiave strategica, lo speech-to-text si sta trasformando in commodity come è successo allo storage a oggetti o alle notifiche push. Quando una capacità è economica, veloce e offerta da più fornitori, il vantaggio competitivo non deriva più dall’averla ma da ciò che se ne fa: quanto bene si struttura la trascrizione, si estrae l’intento, la si instrada nel flusso giusto e si rispetta la privacy dell’utente. Il modello è il minimo indispensabile; il prodotto che lo circonda è dove ora si concentrano il lavoro — e la differenziazione.
Cosa significa MAI-Transcribe-2 per il mercato italiano?
Sul piano infrastrutturale, verificate che il modello sia disponibile in una region Azure europea (ad esempio Italy North, a Milano) prima di pianificarlo per conversazioni con dati personali: un nuovo modello di solito non viene distribuito in tutte le region fin dal lancio. Per i fornitori della Pubblica Amministrazione conta inoltre la qualificazione dei servizi cloud presso l’Agenzia per la Cybersicurezza Nazionale (ACN). In un mercato in cui i contact center e i servizi in outsourcing pesano molto, chi costruisce funzioni vocali in Italia si distingue meno sul centesimo all’ora e più su un’architettura conforme e documentata.
Conseguenze per i team di prodotto in Italia
La prima conseguenza, per la maggior parte dei team, è un ribaltamento della scelta make-or-buy. Ospitare in proprio un modello open source come Whisper sulle proprie GPU si giustificava spesso con il costo, finché le API gestite erano care. A dieci centesimi l’ora e dieci secondi di elaborazione, il conto si ribalta: il tempo di ingegneria per gestire, scalare e mantenere un cluster di trascrizione raramente batte un endpoint gestito. Mantenete il self-hosting solo dove serve davvero — dati che non possono lasciare il vostro ambiente, funzionamento offline o air-gapped, lessico molto specialistico che richiede un modello addestrato ad hoc. In Italia il primo caso è frequente in sanità, banche e PA.
La seconda conseguenza: una trascrizione economica moltiplica la vostra impronta di dati sensibili, e questo è un problema di governance, non solo di architettura. Le registrazioni vocali e le loro trascrizioni sono dati personali — spesso categorie particolari di dati — ai sensi del GDPR, e il fatto che siano economiche da raccogliere non le rende economiche da conservare. Servono comunque una base giuridica, il consenso quando previsto, tempi di conservazione definiti e un controllo chiaro su dove l’audio viene elaborato e archiviato. Per le conversazioni regolamentate in ambito HealthTech o finanziario, trattate il flusso vocale e la sua trascrizione come dati regolamentati fin dal primo prototipo: decidete cosa registrare, cosa conservare e per quanto tempo prima di attivare la funzione.
La terza conseguenza: mantenete il livello vocale portabile e attento alla giurisdizione. Prezzi, accuratezza e lingue disponibili cambiano di mese in mese tra Microsoft, OpenAI, Google ed ElevenLabs; mettete quindi la trascrizione dietro un’interfaccia indipendente dal fornitore invece di distribuire l’SDK di un solo vendor in tutto il codice — cambiare fornitore deve essere una modifica di configurazione, non una riscrittura. Questa portabilità è anche una leva di residenza dei dati: per gli utenti europei verificate in quale region gira davvero l’API vocale e se il fornitore è soggetto a leggi straniere di accesso ai dati, e siate pronti a collocare l’inferenza dove prezzo e giurisdizione coincidono. Economico non significa conforme per definizione.
Checklist prima di integrare la voce nel prodotto
- Modellate il prezzo definitivo. Basate le unit economics sulla tariffa standard attesa, non sulla promozione di lancio a 0,10 dollari; ricontrollate quando i fornitori cambiano prezzo.
- Comprare, non ospitare — di solito. Partite da un’API gestita; riservate il self-hosting a residenza dei dati, funzionamento offline o lessico specialistico, dove conviene chiaramente.
- Astraete il fornitore. Mettete la trascrizione dietro un’interfaccia per seguire prezzo, accuratezza e copertura linguistica senza riscritture.
- Decidete subito la conservazione. Fissate per quanto tempo tenere audio e trascrizioni e cancellate secondo calendario — una raccolta economica non è un motivo per accumulare.
- Base giuridica e informativa. Trattate la voce come dato personale (spesso sensibile) ai sensi del GDPR; fornite l’informativa agli interessati e documentate la base giuridica.
- Statuto dei lavoratori. Per l’uso interno (contact center, riunioni) prevedete l’accordo sindacale o l’autorizzazione dell’Ispettorato ai sensi dell’art. 4 prima del rilascio.
- Allineate region e giurisdizione. Verificate dove l’API vocale elabora l’audio degli utenti europei e se è esposta a leggi straniere di accesso ai dati.
- Testate sul vostro audio. Misurate l’accuratezza su accenti regionali, rumore di fondo e termini di settore — e usate il keyword biasing prima di dare per scontato che un punteggio di benchmark sia trasferibile.
Domande frequenti
Che cos’è Microsoft MAI-Transcribe-2?
MAI-Transcribe-2 è un modello speech-to-text lanciato da Microsoft il 3 settembre 2026. Trascrive l’audio in 60 lingue, guida il benchmark multilingue FLEURS con un tasso medio di errore sulle parole del 5,2 % ed elabora un’ora di audio in circa dieci secondi. Microsoft lo descrive come 10 volte più veloce di GPT-Transcribe di OpenAI, 7 volte più di Scribe v2 di ElevenLabs e 5 volte più di Gemini 3.5 Transcribe di Google. Supporta separazione dei parlanti, timestamp per parola, keyword biasing, cambio di lingua nella conversazione e output letterale o ripulito, ed è disponibile tramite Microsoft Foundry con Azure Speech, il MAI Playground e OpenRouter.
Quanto costa MAI-Transcribe-2?
Microsoft ha fissato il prezzo di MAI-Transcribe-2 a 0,10 dollari per ora di audio, un’offerta che definisce limitata fino a fine 2026, senza un prezzo definitivo pubblicato. È circa il 72 % in meno dei 0,36 dollari l’ora di MAI-Transcribe-1. A 0,10 dollari l’ora, trascrivere un milione di ore di audio costa circa 100.000 dollari: per la maggior parte dei prodotti il costo non è più un vero ostacolo. Conviene modellare il futuro prezzo standard invece di un business case che regge solo alla tariffa di lancio.
La trascrizione delle chiamate è conforme al GDPR in Italia?
Sì, se la si tratta come un trattamento di dati personali a tutti gli effetti. Registrazioni e trascrizioni rientrano nel GDPR: servono finalità definite, una base giuridica, l’informativa agli interessati, tempi di conservazione limitati e il controllo sul luogo di elaborazione. Il Garante privacy vigila su questi trattamenti. Se lo strumento è usato internamente e può consentire il controllo a distanza dei dipendenti, l’art. 4 dello Statuto dei lavoratori richiede un accordo sindacale o l’autorizzazione dell’Ispettorato del lavoro.
Meglio ospitare Whisper in proprio o usare un’API vocale gestita?
Per la maggior parte dei team oggi vince l’API gestita sul costo totale. Quando un modello gestito trascrive un’ora di audio per dieci centesimi in dieci secondi, gestire un modello open source come Whisper sulle proprie GPU raramente conviene, una volta contati tempo di ingegneria, noleggio delle GPU, scalabilità e manutenzione. Il self-hosting ha ancora senso quando i dati non possono lasciare il vostro ambiente per motivi normativi, quando serve un funzionamento offline o air-gapped, o quando un lessico molto specialistico richiede un modello addestrato ad hoc.
Fonti
Microsoft AI — MAI-Transcribe-2 is the fastest, most accurate and cheapest speech recognition model in the world (fonte primaria, 3 settembre 2026)
VentureBeat — Microsoft AI’s MAI-Transcribe-2 undercuts OpenAI, Google and ElevenLabs on price and speed (3 settembre 2026)