Microsoft presenta MAI-Transcribe-2-Streaming y dos nuevos modelos de voz para crear asistentes capaces de escuchar y responder con menor latencia en decenas de idiomas.
Microsoft AI ha lanzado MAI-Transcribe-2-Streaming, su primer modelo de transcripción en tiempo real, junto con MAI-Voice-2.1 y MAI-Voice-2.1-Flash para generar voz. Los tres modelos están pensados para construir asistentes hablados que puedan escuchar, procesar y responder sin pausas poco naturales.
MAI-Transcribe-2-Streaming produce sus primeras hipótesis de texto poco más de 100 milisegundos después de recibir el audio. No espera a que la persona termine de hablar: va revisando la transcripción a medida que obtiene más contexto y confirma rápidamente las palabras que considera estables.
Este funcionamiento permite que un agente empiece a razonar o a utilizar herramientas antes de que concluya una frase. También hace posible mostrar subtítulos y dictados en directo. Microsoft afirma que, en sus evaluaciones internas, las palabras aparecen dos veces más rápido que con su competidor más cercano.
El modelo admite 60 idiomas y detecta automáticamente los cambios de lengua durante una conversación. Según Microsoft, ocupa el primer puesto de Artificial Analysis en precisión tanto para las transcripciones parciales como para las definitivas. Su precio introductorio es de 0,54 dólares por hora de audio hasta final de año.
Para convertir las respuestas en audio, MAI-Voice-2.1 admite 23 idiomas y 26 variantes regionales. Una misma voz puede cambiar de idioma y conservar su identidad, adaptando la pronunciación al acento correspondiente en lugar de trasladar el acento de una lengua a otra. Cuesta 22 dólares por millón de caracteres.
MAI-Voice-2.1-Flash mantiene los mismos idiomas y está optimizado para servicios con gran volumen y poca tolerancia a la espera. Puede generar hasta 45 segundos de audio con una latencia total de 150 milisegundos. Microsoft indica que su inferencia es un 55% más rápida y que cuesta alrededor de un 60% menos que modelos comparables, con un precio de 15 dólares por millón de caracteres.
Los dos modelos de voz admiten clonación a partir de unos segundos de audio de referencia e incorporan controles de consentimiento para reducir usos indebidos. La combinación de Transcribe con Voice Flash deja más tiempo al agente para razonar, consultar herramientas y comprobar su respuesta sin romper el ritmo de la conversación.
Los tres modelos están disponibles en Microsoft Foundry, MAI Playground, Vercel y Azure Voice Live. Los modelos de voz también se ofrecen mediante OpenRouter, mientras que su llegada a LiveKit está anunciada para más adelante.
