Microsoft livre ses modèles vocaux en streaming, pendant que la vidéo IA déçoit les sceptiques
Microsoft AI a publié MAI-Transcribe-2-Streaming et deux modèles de synthèse vocale le 2 octobre. La société revendique la première place pour la précision de transcription sur Artificial Analysis et une latence de 150 ms pour sa variante MAI-Voice-2.1-Flash.

Microsoft AI a publié MAI-Transcribe-2-Streaming et deux modèles de synthèse vocale le 2 octobre, selon The Decoder. Le modèle de transcription couvre 60 langues. Il renvoie des résultats partiels en un peu plus de 100 millisecondes.
Ce n'est pas un générateur de vidéo. C'est la couche qui décide si un présentateur synthétique donne l'impression d'une conversation ou d'un enregistrement. Sa sortie tombe la même semaine où le versant vidéo du secteur a découvert la difficulté du dernier kilomètre.
L'affirmation de réalisme la plus facile à vérifier
Tavus a présenté Griffin le 1er octobre. La société l'a qualifié de premier « Human Interaction Model ». The Decoder a relayé l'étude menée par l'entreprise elle-même : 48 pour cent des participants ont cru que Griffin était une personne réelle après un appel vidéo d'une minute, contre un meilleur résultat précédent de 2 pour cent. Tavus affirme qu'un test Nvidia a attribué à Griffin 3,83 points sur le caractère humain ressenti lors d'une conversation audio-vidéo. De vrais humains ont obtenu 3,92 et le meilleur modèle d'IA précédent, 2,80.
Seule une préversion, Griffin-Lite, est disponible pour des testeurs sélectionnés. Tavus promet une version plus complète une fois les questions de sécurité traitées. Tavus a été fondée en 2 020 et a levé environ 64 000 000 de dollars.
Comparez avec les chiffres vocaux de Microsoft. MAI-Transcribe-2-Streaming coûte 0,54 dollar par heure d'audio au tarif de lancement jusqu'à la fin de l'année. MAI-Voice-2.1 parle 23 langues avec la même voix et un accent natif dans chacune, selon Microsoft. La variante Flash coûte 15 dollars par million de caractères au lieu de 22. Les deux peuvent cloner une voix à partir de quelques secondes d'audio de référence. Dans un test Microsoft, environ la moitié de 4 000 participants ont cru que les voix appartenaient à une personne réelle.
Les modèles vidéo continuent de sortir, et les questions avec eux
Le calendrier des sorties est chargé. La liste principale comprend FLUX 3 Image, présenté comme capable de génération jusqu'en 4K, de positionnement de sujets et d'édition partielle, avec une version open source attendue dans quelques semaines. Elle cite aussi Seedance 2.5 de ByteDance et Kling 4.0, issu de la filiale IA de Kuaishou. Aucun des deux comptes rendus ne détaille ces sorties, les précisions restent donc minces. L'outillage adjacent, lui, est documenté.
Ideogram a annoncé le 1er octobre qu'Ideogram 4.5 ne touchera que la partie de l'image sélectionnée par l'utilisateur. Le modèle propose quatre niveaux de qualité de 0,8 à 22 cents par image et une résolution native en 2K, avec une publication en open weight promise. C'est la correction d'un défaut connu plutôt qu'une nouvelle capacité. Les retouches répétées sur des modèles comme GPT-Image 2.5 et Nano Banana laissent encore des artefacts, selon The Decoder.
Puis il y a l'argent. Dealroom a rapporté le 30 septembre que Luma avait mis à l'échelle 9 000 GPU en six heures pour le lancement de Dream Machine. Runway s'est lancé dans la robotique avec un modèle open weight nommé Praxis-1, selon Robotics & Automation News le 1er octobre. Les deux restent hors du noyau de dix sources ci-dessous, car seuls leurs titres y figurent.
« Les systèmes de stockage lissent les prix, mais ils ne produisent pas d'électricité », a déclaré Leonhard Gandhi, chef de projet pour Energy Charts au Fraunhofer ISE, au moment où son institut publiait un simulateur pour les prix de l'électricité au jour le jour en Allemagne.
Il parlait de batteries, pas de GPU. L'analogie n'est pas parfaite, mais la contrainte a la même forme. La capacité d'inférence est une ressource physique, et les faits récents montrent ce qui se passe quand elle se raréfie. Le parlement danois a adopté le 2 octobre un plan d'urgence pour le réseau qui remplace les raccordements au premier arrivé, premier servi par quatre catégories de priorité. Les centres de données figurent dans la catégorie la moins prioritaire, sauf s'ils sont liés à une fonction sociétale critique.
Pendant ce temps, la couche des modèles continue de se fragmenter. Amazon Web Services a publié Strands Decider 2B, un modèle de décision open source, la même semaine où OpenAI a annoncé une offre similaire, rapporte TechCrunch le 1er octobre. Cloudflare a répondu avec Clef et Clef-flash, des modèles de décision open weight. Cloudflare affirme qu'ils battent Jev de TypeSafe sur trois des quatre benchmarks de TypeSafe, à 0,24 dollar par million de tokens contre 0,042 pour Jev. Cloudflare a déclaré ces scores elle-même et ils n'ont pas été reproduits sur l'index officiel, comme l'a noté The Register.
Rien de tout cela ne tranche la question qu'un spectateur se pose dans les deux premières secondes d'un clip synthétique : est-ce une personne. Tavus a un chiffre pour y répondre. C'est 48 pour cent, sur un appel d'une minute, dans une étude que l'entreprise a menée elle-même. À côté, Microsoft facture 2 000 dollars par million de caractères pour sa voix standard et parle de 2 000 000 000 de caractères traités dans ses tests internes.
Sources
15- 01Microsoft AI releases new transcription and text-to-speech models for voice agentsEN
- 02Nearly half of test subjects mistook Tavus' AI video avatar for a real person on a one-minute callEN
- 03Ideogram says its new model can edit part of an image without messing up the restEN
- 04Amazon releases its own Jev clone as decision models flood the webEN
- 05Cloudflare tries to outplay Jev with open-weight Clef modelsEN
- 06TypeSafe AI Releases Jev: A Decision-Only Model That Returns Typed Probabilities Instead of TextEN
- 07Fraunhofer ISE releases electricity price simulatorEN
- 08Denmark approves new grid connection prioritization modelEN
- 09Google releases Gemini 4 Argon, called its most powerful model yetEN
- 10Google rolls out new Gemini AI model but restricts access over safety concernsEN
- 11OpenAI scraps release of new model over safety concerns in internal testingEN
- 12OpenAI says planned GPT-6.1 is too insecure to releaseEN
- 13OpenAI abandons plan to release upcoming model as safety concerns escalateEN
- 14The NHL Is Releasing Its Own 'Hot' Fanfic. Romance Lovers Hate ItEN
- 15The Tesla Model 3 Gets A Range Bump And A New Screen In The U.S.EN
Tous les chiffres et citations de ce texte proviennent des sources citées ci-dessous.
Les contenus ont été préparés par l'équipe de rédaction, assistée par l'IA.
Commentaires
0- Aucun commentaire — soyez le premier.