Microsoft ha annunciato una novità importante per il mondo dell’intelligenza artificiale generativa: sono disponibili MAI-Image-2.6 e la variante più veloce MAI-Image-2.6-Flash, insieme al nuovo MAI-Transcribe-2 dedicato alla trascrizione vocale. Si tratta di modelli pensati per gli sviluppatori, accessibili tramite Microsoft Foundry e altri strumenti della piattaforma, con l’obiettivo di rendere più semplice creare immagini e trasformare l’audio in testo con maggiore precisione.
La notizia conferma la strategia di Microsoft nel rafforzare il proprio ecosistema AI con modelli proprietari in grado di competere con le soluzioni più note del settore. Nel caso dei modelli text-to-image, l’azienda punta sia sulla qualità del risultato sia sulla velocità di elaborazione, mentre per il riconoscimento vocale mette al centro accuratezza, supporto multilingua e gestione dei contesti complessi.
MAI-Image-2.6 di Microsoft e la versione Flash
MAI-Image-2.6 è un modello text-to-image che consente di generare o modificare immagini partendo da un testo descrittivo. Al momento occupa la seconda posizione nella classifica Arena, subito dietro gpt-image-2 di OpenAI, e ora può essere utilizzato dagli sviluppatori tramite Microsoft Foundry. La versione MAI-Image-2.6-Flash mantiene una qualità molto simile, ma con tempi di risposta sensibilmente ridotti.
Secondo i dati diffusi da Microsoft, la variante Flash è più del doppio più veloce rispetto al modello principale. La latenza per un’immagine a risoluzione 1024×1024 pixel si attesta intorno ai 12,2 secondi, contro i 25,6 secondi di MAI-Image-2.6 e i 33,6 secondi di gpt-image-2. Un miglioramento che può fare la differenza nei flussi di lavoro professionali, soprattutto quando serve produrre molte immagini in tempi rapidi.
Entrambi i modelli supportano funzioni avanzate come l’editing con riferimenti multipli, utile per combinare persone, prodotti, stili e scene provenienti da diverse immagini. Inoltre, possono usare la ricerca web come fonte per creare elementi visivi più ricchi e aggiornati, gestiscono rapporti di aspetto dinamici e arrivano fino a una risoluzione di 1.5K. Anche MAI-Image-2.6-Flash è disponibile tramite Microsoft Foundry, così da offrire agli sviluppatori una scelta tra velocità e flessibilità.
Come cambia la generazione di immagini
Il nuovo approccio di Microsoft sembra orientato a soddisfare esigenze diverse: da un lato chi cerca risultati altamente controllabili, dall’altro chi ha bisogno di ottenere output affidabili nel minor tempo possibile. In un mercato sempre più competitivo, la combinazione tra qualità grafica, editing avanzato e velocità di esecuzione rappresenta un vantaggio concreto per applicazioni creative, marketing digitale e prototipazione visiva.
MAI-Transcribe-2: la trascrizione vocale diventa più precisa
Accanto ai modelli per immagini, Microsoft ha presentato anche MAI-Transcribe-2, un sistema per il riconoscimento vocale che supporta 60 lingue e produce il testo corrispondente con un tasso di errore medio dichiarato del 5,2%. Sull’italiano, i test diffusi dall’azienda parlano di un risultato ancora più interessante, con un errore dell’1,1%, inferiore rispetto a diversi concorrenti come Gemini 3.5 Transcribe, GPT-Transcribe, Whisper V3-Large e ScribeV2.
Il modello è stato progettato per scenari reali e complessi: attribuisce le parole alle persone corrette durante le registrazioni, riconosce terminologie specifiche in ambito medico e legale, identifica i singoli linguaggi all’interno di una conversazione e continua a trascrivere anche in ambienti rumorosi. Il prezzo annunciato è di 0,10 dollari per ora fino alla fine del 2026, con disponibilità tramite Microsoft Foundry, MAI Playground e Open Router. Una proposta che rende più interessante l’intera offerta AI di Microsoft per sviluppatori e aziende.