MAI-Transcribe-2-Streaming genera texto mientras el usuario habla. El modelo llega en versión preliminar, sin acuerdo de nivel de servicio y con una advertencia de Microsoft contra su uso en producción.
Microsoft AI presentó el 1 de octubre de 2026 MAI-Transcribe-2-Streaming, un modelo de transcripción en tiempo real con soporte para 60 idiomas y detección automática y continua del idioma. Según el anuncio de la compañía, su precio introductorio es de 0,54 dólares estadounidenses por hora de audio hasta finales de 2026.
El sistema recibe audio de forma continua y devuelve resultados parciales mientras la persona habla. Esos resultados se actualizan antes de confirmar cada segmento, según la documentación técnica de Microsoft.
Qué significan las cifras de rendimiento
Microsoft afirma que las primeras hipótesis aparecen poco más de 100 milisegundos después de recibir audio. También sostiene que el modelo ocupa el primer lugar en precisión de transcripciones finales y parciales en Artificial Analysis.
La evaluación de Artificial Analysis compara precisión y latencia mediante unas ocho horas de audio de tres conjuntos de datos: AA-AgentTalk, con una ponderación del 50 %, y VoxPopuli y Earnings22, con un 25 % cada uno. Incluye distintos acentos, vocabulario especializado y condiciones acústicas exigentes.
Su medición de latencia toma como referencia el final del habla detectado por el sistema de evaluación. Por ello, no debe equipararse directamente con el tiempo hasta las primeras hipótesis que anuncia Microsoft. El índice de errores y la latencia son métricas distintas, y sus resultados tampoco acreditan un rendimiento uniforme en los 60 idiomas admitidos.
Versión preliminar sin garantía de servicio
El modelo cuenta con una entrada en el catálogo de Microsoft Foundry. Microsoft también anuncia acceso mediante MAI Playground.
La documentación de Microsoft Learn precisa que se encuentra en versión preliminar pública, sin acuerdo de nivel de servicio, y que no se recomienda para cargas de trabajo de producción. Algunas funciones pueden tener capacidades limitadas o no estar disponibles.
Para integrarlo en aplicaciones, Microsoft documenta dos vías: una API en tiempo real mediante WebSocket y Azure Speech SDK. Ambas devuelven resultados intermedios y finales.
Dos modelos adicionales para generar voz
El lanzamiento incluye MAI-Voice-2.1 y MAI-Voice-2.1-Flash. Según la ficha de Microsoft AI, ambos convierten texto en voz y admiten 23 idiomas.
Microsoft orienta MAI-Voice-2.1 a aplicaciones que priorizan la fidelidad, como audiolibros y locuciones, con una tarifa anunciada de 22 dólares estadounidenses por millón de caracteres. La variante Flash está dirigida a aplicaciones sensibles a la latencia y tiene un precio anunciado de 15 dólares por millón de caracteres.
Estos modelos proporcionan la entrada y salida de audio de una aplicación conversacional. El procesamiento de la solicitud, la elección de acciones y la elaboración de la respuesta requieren componentes adicionales.
Fuentes
- Microsoft AI: anuncio de MAI-Transcribe-2-Streaming y MAI-Voice-2.1, 1 de octubre de 2026.
- Microsoft Learn: descripción técnica, integración y condiciones de la versión preliminar.
- Artificial Analysis: evaluación y metodología de transcripción en streaming.
- Microsoft AI: características y tarifas de MAI-Voice-2.1 y MAI-Voice-2.1-Flash.
Ilustración: captura del sitio de Microsoft
📬 Newsletter gratuito
