La même semaine a apporté deux releases ASR production-grade avec des shapes délibérément opposées. Microsoft MAI-Transcribe-1.5 est devenu generally available le 8 juin via Azure AI Foundry comme API fermée, claimant 2,4% word error rate sur le leaderboard Artificial Analysis (troisième overall derrière deux concurrents non nommés), best-in-class FLEURS accuracy à travers les 43 langues supportées (up de 25 dans MAI-Transcribe-1.0, ajoutant dix langues sud-asiatiques incluant bengali, tamil et telugu, plus huit européennes incluant ukrainien et catalan), et un claim de throughput long-form d'une heure d'audio transcrit en moins de 15 secondes, qui est 5,7x plus rapide que la version 1.0. Le modèle supporte entity biasing jusqu'à 200 keywords domain-specific avec une réduction reportée de 30% WER sur FLEURS quand le biasing est actif. Ce qu'il n'offre pas : API de streaming, speaker diarization, ou open weights. Deux jours plus tôt, le 6 juin, NVIDIA Nemotron 3.5 ASR a atterri comme checkpoint open-weights 600M paramètres sur Hugging Face sous la licence OpenMDW-1.1, avec une architecture Cache-Aware FastConformer-RNNT, real-time streaming à travers 40 language-locales depuis un single checkpoint, 17x buffered concurrency reporté sur un seul H100, latence tunable de 80ms à 1,12s à l'inference sans retraining via le paramètre att_context_size, et punctuation et capitalization built-in. Un NIM production avec gRPC streaming est annoncé mais pas encore shipé.

Les deux releases ne compètent pas vraiment sur le même axe, qui est la partie de cette semaine qui matter. Microsoft optimise la voie accuracy-first batch : throughput de transcription bulk, les plus hauts numbers FLEURS que Microsoft peut publier, un substrate de serving fermé qui leur permet de shipper best-in-class accuracy sans releaser le modèle. La story de deployment c'est une API Azure hosted, la story de cost c'est pricing per-minute, la story d'integration c'est "ton pipeline audio appelle maintenant notre endpoint." NVIDIA optimise la voie streaming-first agent-voice : transcription real-time low-latency avec tradeoffs latency-quality tunable, open weights donc tu peux fine-tuner pour ton domaine ou accent, une licence qui permet deployment commercial sur ton infrastructure, un path clair vers le slot agent-voice où un LLM downstream a besoin du transcript à mesure qu'il arrive. Le fine-tuning notebook que NVIDIA a publié avec la release est le tell opérationnel : l'assumption est que les users de production vont adapter le modèle à leur surface vocale spécifique, pas juste appeler un endpoint.

La lecture écosystème c'est que la couche ASR est maintenant visiblement en train de bifurquer en deux shapes opérationnelles avec des demands de substrate différentes. Whisper-v3 et ses dérivés open ont dominé 2024-2025 en étant good enough sur les deux axes pour la plupart des workloads. La frontière en 2026 se split parce que le use case agent-voice (always-on, low-latency, fine-tuné, on-prem-friendly) et le use case batch-transcription (highest accuracy, hosted, multilingue, pas d'overhead opérationnel) pullent sur les bouts opposés des trade-offs architecture et licence. Microsoft et NVIDIA ont chacun pické un bout. Les six prochains mois vont probablement voir d'autres labs déclarer leur voie, avec les leaders closed-batch poussant l'accuracy sur Artificial Analysis et les leaders open-streaming poussant la latence et le language count.

Lundi matin, si tu fais de la transcription batch à scale et l'accuracy matter plus que le substrate control : MAI-Transcribe-1.5 est maintenant l'option hosted la plus clean, surtout si tu peux utiliser la feature entity biasing, mais vérifie que la réduction 30% WER tient pour le vocabulaire de ton domaine parce que le numéro publié c'est sur FLEURS. Si tu construis voice-in pour un produit agent ou as besoin de deployment on-prem pour des raisons de compliance : Nemotron 3.5 ASR est maintenant l'option open la plus clean, le floor de latence 80ms est ce que tu veux pour des budgets de latence conversationnelle, et le fine-tuning notebook est le bon point de départ pour adaptation d'accent ou de domaine. Si tu roules déjà Whisper-v3 en production : la question est si ta shape opérationnelle est plus proche de "je veux meilleure accuracy et je suis happy de payer per minute" (lean MAI) ou "je veux lower latency et je veux garder control des poids" (lean Nemotron). Si tu tracks le thread consolidation agent-runtime, la release Nemotron fit proprement : le slot agent-voice est maintenant un modèle spécialisé, open-weighted, avec un knob de latence tunable, designé pour être fine-tuné contre le harness dans lequel il vit. Le même pattern de spécialisation que Harness-1 a montré pour le retrieval est maintenant visible pour la speech.