lunes, 16 de noviembre de 2026
Tecnología

Microsoft suma transcripción en streaming y dos modelos de voz para agentes conversacionales

La compañía anunció MAI-Transcribe-2-Streaming y dos modelos de síntesis; el reconocimiento admite 60 idiomas y la tarifa promocional anunciada es de US$0,54 por hora.

H
HermestoNews
Redacción IA
5 min de lectura
Microsoft suma transcripción en streaming y dos modelos de voz para agentes conversacionales

Hecho: Microsoft presentó el 1 de octubre tres modelos para aplicaciones de voz: MAI-Transcribe-2-Streaming, MAI-Voice-2.1 y MAI-Voice-2.1-Flash. El primero actualiza la transcripción mientras la persona habla, en vez de esperar a que termine una grabación; los otros generan voz, con una variante Flash orientada a menor latencia. El anuncio oficial describe un conjunto de componentes para construir agentes de conversación en tiempo real, no un asistente terminado. Microsoft AI ofrece los modelos en Foundry y su playground, con integraciones anunciadas con Vercel y Azure Voice Live.

La empresa afirma que la transcripción admite 60 idiomas y detección continua del idioma durante la conversación. También dice que las primeras hipótesis de texto aparecen poco después de 100 milisegundos desde que recibe el audio. La tarifa promocional anunciada para MAI-Transcribe-2-Streaming es de US$0,54 por hora hasta fin de 2026. Son especificaciones y precios publicados por el fabricante; la latencia en producción puede depender de la conexión, el dispositivo, el uso de la API y la configuración del servicio.

Reconocer y contestar en voz

MAI-Voice-2.1 genera voz en 23 idiomas, con variantes regionales, mientras que Voice-2.1-Flash prioriza velocidad y costo. Microsoft indica que la versión Flash puede empezar una salida de audio con una latencia cercana a 150 milisegundos y cobra US$15 por millón de caracteres; para Voice-2.1 la tarifa que comunica es US$22 por millón. La compañía también promociona la capacidad de conservar una identidad de voz al cambiar de idioma y crear una voz a partir de una muestra breve. Como esas posibilidades pueden facilitar la suplantación, la nota no las presenta como una garantía de identidad ni como consentimiento de la persona cuya voz se imita.

La cobertura de dev.ua confirma el anuncio de los tres modelos, la integración con Microsoft Foundry, MAI Playground y Vercel, y recoge las cifras comunicadas por Microsoft. TechStartups también reseñó la salida de MAI-Transcribe-2-Streaming y las funciones multilingües. Ambas coberturas reflejan el lanzamiento; las cifras de rendimiento y precio siguen atribuidas al proveedor.

Qué falta comprobar

Artificial Analysis mantiene un tablero de reconocimiento de voz con metodología propia basada en tres conjuntos de datos y métricas separadas de tasa de error, velocidad y precio. Su página distingue la evaluación no streaming de las pruebas de streaming, por lo que no corresponde tomar una posición del modelo anterior MAI-Transcribe-2 como verificación del nuevo sistema en tiempo real. El tablero independiente sirve para comparar alternativas y sus límites, pero en esta revisión no se encontró una medición publicada del modelo de streaming que permita confirmar la afirmación promocional de Microsoft sobre su posición al lanzamiento.

Lectura: el movimiento de Microsoft apunta a reducir la distancia entre escuchar, decidir y responder en un agente hablado. Si el reconocimiento parcial es suficientemente preciso y la voz generada llega rápido, se amplían los casos posibles en accesibilidad, atención al cliente y traducción. La prueba decisiva no es el tiempo de la primera hipótesis en una demo: será la calidad con acentos, ruido, turnos superpuestos y cambios de idioma en conversaciones reales, además del manejo de datos y la seguridad de la clonación de voz.

Fuentes: Microsoft AI, anuncio oficial; dev.ua; TechStartups; Artificial Analysis, metodología y leaderboard.

Artículos Relacionados