Microsoft AI lança MAI-Transcribe-2-Streaming e modelos MAI-Voice-2.1

Em 1 de outubro de 2026, a Microsoft AI lançou o MAI-Transcribe-2-Streaming, o seu primeiro modelo de transcrição em streaming, juntamente com os modelos de texto para fala MAI-Voice-2.1 e MAI-Voice-2.1-Flash, disponíveis via Microsoft Foundry e canais relacionados, segundo Unite.AI e comunicações da Microsoft.

Alegações sobre transcrição em streaming

A Microsoft descreve o MAI-Transcribe-2-Streaming como transcrição em tempo real de baixa latência em 60 línguas com deteção automática contínua de língua. Citando o ranking Artificial Analysis de 28 de setembro de 2026, destacou cerca de 2,5% de taxa de erro de palavras final, 2,8% no primeiro parcial e cerca de 0,13 segundos até a transcrição final; primeiros parciais em pouco mais de 100 ms. Preço introdutório: 0,54 USD por hora de áudio até ao fim do ano.

Modelos de voz

MAI-Voice-2.1 suporta 23 línguas / 26 locais com a mesma identidade de voz (22 USD por 1M de caracteres). MAI-Voice-2.1-Flash visa alto volume e baixa latência — até 45 s de áudio com ~150 ms de latência ponta a ponta — a 15 USD por 1M de caracteres, com a Microsoft a alegar ~55% de inferência mais rápida e ~60% menos custo. Ambos suportam clonagem de voz com salvaguardas de consentimento. Num teste com 4000 ouvintes, 50,3% avaliaram o MAI-Voice como igual ou mais humano do que gravações humanas.

Disponibilidade e ressalvas

Disponíveis via Microsoft Foundry, MAI Playground, Vercel e Azure Voice Live (LiveKit em breve); voz também via OpenRouter. A liderança em benchmarks e a «humanidade» são afirmações do fornecedor. Este é um resumo de lançamento, não um endosso.