MAI Transcribe Streaming: Harga Spek & Banding WER

Microsoft AI pada 1 Oktober 2026 merilis MAI-Transcribe-2-Streaming, model speech-to-text streaming pertama dari keluarga MAI. Ini adalah lapisan pendengaran untuk agen suara: audio masuk terus-menerus, teks muncul secara bertahap (partial), lalu dikunci sebagai hasil final — tanpa menunggu rekaman selesai dulu.

Artikel ini akan menjelaskan spesifikasi akurasi dan latensi di Artificial Analysis, perbedaannya dengan MAI-Transcribe-2 non-streaming, bagaimana harga intro-nya dibanding kompetitor, plus catatan singkat buat tim contact center, developer, dan creator yang bekerja dari Indonesia. Fokusnya pada produk STT streaming ini: angka, akses Azure, dan loop agen suara — bukan kursus bangun voice stack dari nol.

Di X, unggahan @ArtificialAnlys yang mengumumkan peringkat #1 mendapat lebih dari satu juta impression dalam hitungan jam. Reaksi yang sering muncul sama: angka WER dan latency terlihat meyakinkan, tapi harga streaming di ujung atas leaderboard memicu perbandingan dengan Cartesia, Muse, dan ElevenLabs. Ada juga komentar yang lebih strategis: Microsoft sedang merapatkan “plumbing” suara agar tidak bergantung terus pada model pihak ketiga untuk Copilot dan agen.

Apa yang baru di MAI-Transcribe-2-Streaming

Rilis 1 Oktober 2026 datang beriringan dengan dua model text-to-speech: MAI-Voice-2.1 dan MAI-Voice-2.1-Flash. Ketiganya diposisikan sebagai blok bangunan untuk pengalaman percakapan yang terasa hidup. Yang menjadi fokus artikel ini adalah sisi mendengar — Transcribe Streaming — karena itu yang baru sebagai model streaming pertama Microsoft AI di jalur ini.

Yang dikunci di pengumuman resmi:

1. Streaming speech-to-text lewat WebSocket: partial terus diperbarui, final mengunci tiap segmen
2. Dukungan 60 bahasa dengan deteksi bahasa otomatis yang berjalan terus
3. Klaim peringkat #1 di Artificial Analysis untuk akurasi final dan first partial (AA-WER Streaming)
4. Hipotesis partial pertama dalam lebih dari 100 ms setelah audio diterima (klaim blog Microsoft AI); SiliconANGLE mencatat rata-rata sekitar 320 ms untuk hipotesis pertama di kondisi dunia nyata
5. Untuk dictation atau subtitle, evaluasi internal Microsoft menyebut kata muncul di transcript 2× lebih cepat dibanding kompetitor terdekat mereka
6. Harga intro US$0,54 per jam audio sampai akhir 2026
7. Status public preview di Azure Speech / Foundry — tanpa SLA produksi menurut dokumentasi Learn
8. Akses lewat Realtime API (kompatibel OpenAI Realtime WebSocket) dan Azure Speech SDK, plus jalur Foundry, Vercel AI Gateway, MAI Playground, dan Azure Voice Live

Catatan: MAI-Transcribe-2 (non-streaming) sudah lebih dulu masuk preview sekitar awal September 2026 dengan harga US$0,10/jam, diarization, dan word-level timestamp. Streaming adalah varian terpisah yang mengorbankan sebagian biaya demi latensi dan partial real-time.

Spek akurasi dan latency di Artificial Analysis

Artificial Analysis menguji MAI-Transcribe-2-Streaming di leaderboard AA-WER Streaming (38 model pada tanggal rilis). Ringkasannya:

Untuk first partial transcript, Microsoft juga mengklaim WER 2,5% pada latency sekitar 0,12 dtk — unggul dari Grok (3,4% / 0,49 dtk) dan lebih akurat dari Muse serta ElevenLabs (keduanya sekitar 3,6%). Cartesia Ink-2 lebih cepat di partial pertama (sekitar 0,07 dtk) tetapi WER partial-nya lebih tinggi (sekitar 4,0%).

Microsoft menekankan posisi di Pareto frontier akurasi versus latency: biasanya model paling akurat lambat, model paling cepat mengorbankan kualitas. Klaim mereka, Streaming duduk di titik yang jarang dimiliki kompetitor.

Angka di atas adalah hasil vendor-benchmark pihak ketiga pada tanggal rilis. Kondisi audio Indo (noise call center, aksen regional, code-switching) tetap perlu diukur sendiri di POC.

Harga intro: streaming vs non-streaming

Harga adalah bagian yang paling banyak diperdebatkan di X setelah skor WER.

MAI-Transcribe-2-Streaming

• US$0,54 per jam audio (setara US$9 per 1.000 menit)
• Berlaku sebagai harga intro sampai 31 Desember 2026
• Dipasarkan lewat Vercel AI Gateway, Foundry, dan jalur Azure terkait

MAI-Transcribe-2 (non-streaming)

• US$0,10 per jam audio (setara US$1,67 per 1.000 menit)
• Lebih dari 5× lebih murah dari varian Streaming
• Cocok untuk batch: meeting recording, arsip, analytics pasca-panggilan

Kenapa Streaming jauh lebih mahal? SiliconANGLE merangkum penjelasan praktisnya: model harus terus mengirim hasil sementara audio masih mengalir. Itu beban komputasi berbeda dari “tunggu selesai, baru transkripsi.”

Kalau dikonversi kasar ke rupiah (kurs berfluktuasi), US$0,54/jam kira-kira di orde Rp8.000–9.000-an per jam audio — sementara non-streaming jauh lebih hemat. Untuk contact center yang merekam 10.000 jam per bulan, selisih harga antara streaming dan batch bisa jadi keputusan arsitektur, bukan detail kecil.

Tips: Pakai Streaming hanya di jalur yang benar-benar butuh partial real-time (live caption, voice agent, dictation). Sisanya (QA panggilan, indexing) biarkan di MAI-Transcribe-2 non-streaming supaya tagihan tidak bengkak.

Banding singkat dengan kompetitor streaming

Artificial Analysis menempatkan harga Streaming Microsoft sejajar Gemini 3.5 Transcribe Live (juga sekitar US$9 / 1.000 menit), dan di atas beberapa pemain populer:

Di utas X, reaksi tipikal terbagi dua:

1. “Plumbing yang membosankan justru yang bikin produk jalan” — skor #1 dianggap sinyal bahwa Microsoft serius di infrastruktur suara, bukan sekadar demo chat
2. “Akurat tapi mahal” — tim yang sensitif biaya melihat Cartesia atau Muse sebagai alternatif jika WER 3% masih diterima untuk use case mereka

Tidak ada jawaban tunggal. Kalau voice agent harus memulai tool mid-sentence dengan partial yang stabil, membayar lebih untuk latency dan WER bisa masuk akal. Kalau yang dibutuhkan caption kasar untuk rapat internal, harga di bawah US$6,50 / 1.000 menit sering cukup.

Baca juga Google Buka SynthID untuk Umum, Begini Cara Cek Foto dan Video Buatan AI

Cara akses di Azure dan Foundry

Dokumentasi Microsoft Learn menandai fitur ini public preview: tanpa SLA, dan belum disarankan untuk beban produksi kritis. Dua jalur integrasi utama:

1. Realtime API — WebSocket bergaya OpenAI Realtime, cocok jika stack sudah memakai pola itu
2. Azure Speech SDK — client library terkelola untuk koneksi, retry, dan streaming audio

Keduanya mengembalikan intermediate + final. Model ID yang disebut di docs: MAI-Transcribe-2-Streaming.

Selain itu, Microsoft AI menunjuk beberapa pintu masuk:

• Microsoft Foundry
• MAI Playground (termasuk demo agen Chatter)
• Vercel AI Gateway
• Azure Voice Live
• LiveKit (disebut “coming soon” di blog rilis)
• OpenRouter untuk pasangan TTS MAI-Voice

Untuk MAI-Transcribe-2 (non-streaming) di Voice Live, dokumentasi sebelumnya menyebut pola session.update dengan input_audio_transcription.model bernilai mai-transcribe-2, plus opsi phrase_list untuk istilah produk. Streaming mengikuti jalur Realtime/Speech SDK terpisah — cek docs terbaru sebelum mengunci arsitektur.

flowchart LR
  A[Audio live] --> B[MAI-Transcribe-2-Streaming]
  B --> C[Partial + Final text]
  C --> D[LLM / Mai-Thinking]
  D --> E[MAI-Voice-2.1-Flash]
  E --> F[Balasan suara]

Loop di atas adalah cerita yang Microsoft ulang-ulang: mendengar → memutuskan → berbicara, dengan budget latensi yang masih terasa seperti percakapan manusia.

Pairing dengan MAI-Voice untuk agen suara

Transcribe Streaming jarang berdiri sendiri. Di blog yang sama, Microsoft menekankan pasangan alami dengan MAI-Voice-2.1-Flash:

• Flash: sekitar US$15 per 1 juta karakter, latensi end-to-end sekitar 150 ms untuk contoh 45 detik audio, klaim inferensi 55% lebih cepat
• MAI-Voice-2.1 penuh: US$22 per 1 juta karakter, 23 bahasa / 26 locale, satu “voice” yang bisa pindah bahasa tanpa ganti identitas speaker
• Keduanya mendukung cloning dari beberapa detik referensi audio, dengan guardrail consent

SiliconANGLE menambahkan konteks strategis: Mustafa Suleyman mendorong keluarga MAI agar Microsoft mengurangi ketergantungan biaya pada Anthropic dan OpenAI untuk agen Copilot. Transcribe + Voice + model penalaran internal adalah bagian dari upaya itu — “menutup loop” suara di rumah sendiri.

Di X, satu balasan singkat merangkum mood developer: latency suara adalah moat terakhir agar agen terasa hidup, dan Microsoft sedang mengintegrasikan vertikal agar tidak terus bayar inferensi pihak ketiga.

Yang relevan buat tim di Indonesia

Indonesia punya contact center, BPO, fintech, e-commerce, dan creator yang butuh caption atau agen suara. MAI-Transcribe-2-Streaming menyentuh rasa sakit yang familiar: delay subtitle live, bot yang baru “mengerti” setelah orang selesai bicara, dan biaya STT yang cepat membengkak.

Beberapa fakta praktis buat evaluasi dari sini:

1. Bahasa Indonesia masuk klaim cakupan 60 bahasa (kode id di ekosistem Azure Speech). Itu belum jaminan kualitas untuk aksen daerah, noise line lokal, atau campur kode Indo–Inggris. Uji dengan rekaman panggilan nyata.
2. Bayar dolar lewat Azure — tidak ada harga Rp di landing page. Libatkan finance soal kurs, commitment Azure, dan proyeksi jam audio bulanan.
3. Public preview — Learn secara eksplisit bilang belum untuk production workload kritis. Cocok untuk POC dan sandbox dulu.
4. Pilih jalur biaya — live agent / caption → Streaming; arsip & QA → non-streaming US$0,10/jam. Banyak tim Indo yang mencampur keduanya.
5. Latency end-to-end dari Indo — skor 0,13 dtk di lab bukan angka yang sama dengan remote ke region Azure terjauh di jam sibuk. Ukur round-trip sendiri.
6. Compliance — rekaman suara di bank, kesehatan, atau pendidikan butuh review legal lokal. Akurasi tinggi tidak otomatis menyelesaikan isu penyimpanan transcript.
7. Alternatif yang sering dibanding — ElevenLabs, Deepgram, Cartesia, Gemini Live, plus stack open-source lokal untuk beban offline. Keputusan biasanya soal WER × harga × ekosistem Azure yang sudah dipakai.

Di komunitas X berbahasa Thailand dan Spanyol, liputan rilis ini cepat menyebar karena kasus contact center mirip. Di sisi HN untuk generasi MAI-Transcribe sebelumnya, diskusi cenderung teknis soal Foundry dan harga batch — sinyal bahwa audiens developer memang peduli angka, bukan hanya demo.

Peringatan: Jangan langsung mengunci produksi kritis di preview. Mulai dari satu intent (caption webinar, IVR satu skenario, atau note-taking internal), bandingkan WER dengan provider lama, baru scale.

Poin penting

• MAI-Transcribe-2-Streaming rilis 1 Oktober 2026 bersama MAI-Voice-2.1 dan Flash
• #1 AA-WER Streaming: WER final 2,5% pada 0,13 dtk setelah akhir ucapan (38 model)
• First partial juga #1 dengan WER 2,5% sekitar 0,12 dtk
• Harga intro Streaming US$0,54/jam sampai akhir 2026; non-streaming US$0,10/jam
• 60 bahasa + deteksi otomatis; status public preview tanpa SLA produksi
• Akses: Realtime API, Azure Speech SDK, Foundry, Vercel, Voice Live, Playground
• Di Indo: uji Bahasa + latency Azure + mix Streaming/batch sebelum kontrak besar

Referensi

1. Microsoft AI (2026). Our first streaming transcription model debuts at no. 1 on Artificial Analysis.
2. Microsoft Learn (2026). MAI-Transcribe-2-Streaming overview — Speech Service / Foundry Tools.
3. Microsoft AI (2026). MAI-Transcribe-2-Streaming Model Card Memo (PDF).
4. SiliconANGLE (2026). Microsoft targets ultra-realistic voice agents with its first streaming transcription model.
5. Artificial Analysis on X / @ArtificialAnlys (2026). AA-WER Streaming leaderboard update for MAI-Transcribe-2-Streaming.
6. Microsoft AI on X / @MicrosoftAI (2026). Launch post for Transcribe Streaming + Voice 2.1 + Flash.
7. Microsoft Tech Community (2026). MAI-Transcribe-2: Highest quality transcription, at the fastest speed and lowest cost.
8. vibecoding.tech (2026). More accurate streaming speech recognition: MAI-Transcribe-2-Streaming tops the AA-WER ranking.
9. Vercel AI Gateway listings (2026). MAI-Transcribe-2-Streaming and MAI-Voice pricing cards.
10. Microsoft Learn (2026). Language and voice support for Azure Speech — Indonesian / id coverage notes.
11. Bloomberg interview coverage via SiliconANGLE (2026). Mustafa Suleyman on reducing third-party model spend for Copilot.
12. Techmeme (2026). Aggregation of Microsoft MAI Transcribe Streaming launch coverage.
13. Community developer threads on X (2026). Pricing vs Cartesia / ElevenLabs / Muse debates after AA leaderboard drop.
14. Hacker News / Foundry discussions (2026). Prior MAI-Transcribe availability context for enterprise STT buyers.