Microsoft AI lanza MAI-Transcribe-2-Streaming y los modelos MAI-Voice-2.1

El 1 de octubre de 2026, Microsoft AI lanzó MAI-Transcribe-2-Streaming, su primer modelo de transcripción en streaming, junto con los modelos de texto a voz MAI-Voice-2.1 y MAI-Voice-2.1-Flash, disponibles en Microsoft Foundry y canales relacionados, según Unite.AI y comunicaciones de Microsoft.

Afirmaciones sobre transcripción en streaming

Microsoft describe MAI-Transcribe-2-Streaming como transcripción en tiempo real de baja latencia en 60 idiomas con detección automática continua del idioma. Citando la tabla de Artificial Analysis del 28 de septiembre de 2026, destacó aproximadamente un 2,5% de tasa de error de palabras final, 2,8% en el primer parcial y unos 0,13 segundos hasta la transcripción final; los primeros parciales en poco más de 100 ms. Precio introductorio: 0,54 USD por hora de audio hasta fin de año.

Modelos de voz

MAI-Voice-2.1 admite 23 idiomas / 26 locales con la misma identidad de voz (22 USD por 1M de caracteres). MAI-Voice-2.1-Flash apunta a alto volumen y baja latencia — hasta 45 s de audio con ~150 ms de latencia extremo a extremo — a 15 USD por 1M de caracteres, con Microsoft afirmando ~55% de inferencia más rápida y ~60% menos costo. Ambos permiten clonación de voz con segundos de referencia y salvaguardas de consentimiento. En una prueba con 4000 oyentes, el 50,3% valoró MAI-Voice como igual o más humano que grabaciones humanas.

Disponibilidad y matices

Disponibles en Microsoft Foundry, MAI Playground, Vercel y Azure Voice Live (LiveKit próximamente); voz también en OpenRouter. El liderazgo en benchmarks y la «humanidad» son afirmaciones del proveedor. Este es un resumen de lanzamiento, no un respaldo.