Microsoft sta costruendo progressivamente il proprio stack di intelligenza artificiale vocale e il componente più recente è MAI-Realtime, un modello vocale bidirezionale attualmente in anteprima interna. L'azienda afferma che il modello offrirà interazioni più naturali in più lingue e si integrerà con il più ampio ecosistema di strumenti aziendali.

A differenza dei sistemi vocali tradizionali che alternano parlato e ascolto in modalità walkie-talkie, un modello bidirezionale gestisce entrambe le funzioni simultaneamente. MAI-Realtime elabora l'audio in tempo reale in entrambe le direzioni, consentendo interazioni che risultano conversazionali anziché rigide o meccaniche. Questo approccio full-duplex riflette il modo in cui si svolge realmente una conversazione umana — le persone si interrompono, si sovrappongono e rispondono a metà frase — ed è stato una frontiera tecnica per l'AI vocale, dove la latenza e la logica di turn-taking hanno a lungo reso le interazioni artificiali e meccaniche.

MAI-Realtime si trova ancora in una fase di anteprima interna, il che significa che Microsoft non lo ha ancora aperto a test pubblici né ha pubblicato benchmark di performance. L'azienda ha confermato che il modello è progettato per risultare più naturale, supportare più lingue e funzionare insieme agli strumenti esistenti — il che, nell'ecosistema Microsoft, indica con ogni probabilità un'integrazione con Copilot e la suite di applicazioni di produttività.

MAI-Realtime non esiste isolatamente. Microsoft sta assemblando un intero stack di AI vocale sotto l'ombrello MAI (Microsoft AI). MAI-Voice-1, il modello di sintesi vocale espressiva dell'azienda, è stato presentato in anteprima per la prima volta nell'agosto 2025 e ampliato nell'aprile 2026. Quel modello è in grado di generare un minuto completo di audio in meno di un secondo utilizzando una singola GPU ed è già stato integrato nelle funzionalità di Copilot in diverse applicazioni Microsoft. Accanto a questo, Microsoft ha introdotto MAI-Transcribe-1, un modello di riconoscimento vocale che supporta 25 lingue.

Nel complesso, i tre modelli formano uno stack di AI vocale verticalmente integrato: MAI-Transcribe-1 gestisce l'ascolto, MAI-Voice-1 gestisce il parlato e MAI-Realtime consente una conversazione bidirezionale completa — il tutto di proprietà di Microsoft end-to-end. Per Microsoft, che conta centinaia di milioni di utenti aziendali tra Teams, Office e Windows, controllare questo stack internamente significa poter incorporare profondamente le interazioni AI basate sulla voce nei flussi di lavoro — dalla trascrizione e sintesi delle riunioni in tempo reale in Teams alla creazione di documenti tramite comandi vocali — senza dipendere dai tempi di rilascio o dai prezzi di un provider esterno.

Questo approccio proprietario comporta chiare implicazioni strategiche. Quando Microsoft utilizza le capacità vocali di OpenAI, paga per l'inferenza, rimane soggetta alle decisioni di prezzo di OpenAI e non controlla la roadmap di prodotto. Costruire modelli propri cambia completamente le regole del gioco.

Il panorama competitivo è in piena evoluzione. OpenAI ha rilasciato la propria API vocale in tempo reale alla fine del 2024 e Google sta avanzando le capacità multimodali di Gemini, che includono l'elaborazione audio. Anche Amazon ha investito massicciamente nell'AI vocale attraverso Alexa e la piattaforma Bedrock. Il filo conduttore di tutti questi sforzi è la spinta verso la voce come interfaccia principale per l'AI — non solo una funzionalità, ma un modo fondamentale in cui gli utenti interagiscono con i modelli. La mossa di Microsoft indica che l'azienda intende competere su questo asse con una tecnologia propria anziché affidarsi a quella di un partner.

Se MAI-Realtime venisse eventualmente integrato in Copilot per Microsoft 365, raggiungerebbe gli utenti aziendali di Word, Excel, Teams e Outlook. L'interazione vocale in tempo reale in questi strumenti potrebbe abbassare la barriera per gli utenti che trovano i prompt digitati poco pratici, sebbene Microsoft non abbia confermato piani di prodotto specifici.

Le questioni chiave ancora aperte includono se MAI-Realtime passerà dall'anteprima interna all'accesso pubblico per gli sviluppatori, con quale rapidità verrà integrato nelle funzionalità vocali esistenti di Copilot e se Microsoft inizierà a pubblicare confronti di benchmark rispetto all'API vocale in tempo reale di OpenAI.