Microsoft AI lanza transcripción en tiempo real para 60 idiomas a US$0,54 la hora

El 1 de octubre de 2026, Microsoft AI presentó MAI-Transcribe-2-Streaming, un modelo de transcripción en tiempo real que convierte el audio en texto mientras la persona habla. El sistema recibe el audio de forma continua y devuelve resultados parciales que se actualizan antes de confirmar cada segmento. Está diseñado para 60 idiomas y detecta automáticamente el idioma que se está usando.

La herramienta parte con un precio introductorio de US$0,54 por hora de audio, vigente hasta fines de 2026. Se puede probar en Microsoft Foundry, el catálogo de modelos de la compañía, o en MAI Playground, su espacio de pruebas interactivas. Para integrarla en aplicaciones, Microsoft documenta dos vías: una interfaz de programación de aplicaciones (API) en tiempo real mediante WebSocket, un protocolo de comunicación bidireccional, y el kit de desarrollo de software (SDK) de Azure Speech. Ambas opciones devuelven resultados intermedios y finales.

Qué significan las cifras de rendimiento

Microsoft afirma que las primeras hipótesis —una primera versión del texto— aparecen poco más de 100 milisegundos después de recibir audio. La compañía sostiene además que el modelo ocupa el primer lugar en precisión de transcripciones finales y parciales en Artificial Analysis, un servicio que compara este tipo de sistemas. Ese ranking se construyó con alrededor de ocho horas de audio de tres conjuntos de datos: AA-AgentTalk, con una ponderación del 50%, y VoxPopuli y Earnings22, con 25% cada uno.

La muestra incluye distintos acentos, vocabulario especializado y condiciones acústicas exigentes. No obstante, la medición de latencia —la demora en recibir los resultados— de Artificial Analysis toma como referencia el final del habla detectado por su sistema de evaluación, por lo que no debe equipararse con el tiempo hasta las primeras hipótesis que anuncia Microsoft. El índice de errores y la latencia son métricas distintas, y estos resultados tampoco acreditan un rendimiento uniforme en los 60 idiomas admitidos.

Versión preliminar sin garantía de servicio

MAI-Transcribe-2-Streaming está disponible en versión preliminar pública, según la documentación de Microsoft Learn. Eso significa que no cuenta con un acuerdo de nivel de servicio, es decir, no hay un compromiso formal de disponibilidad ni de tiempos de respuesta, y Microsoft no recomienda usarlo en cargas de trabajo de producción. Algunas funciones pueden tener capacidades limitadas o no estar disponibles en esta etapa.

Para un usuario en Chile, lo práctico es que el modelo se puede explorar desde el catálogo en línea de Microsoft. La compañía, eso sí, no entregó detalles sobre la disponibilidad regional del servicio ni sobre si el español está entre los idiomas admitidos, de modo que quien quiera probarlo debe revisar la documentación oficial antes de planificar cualquier proyecto.

También llegan dos generadores de voz

El anuncio incluyó dos modelos adicionales para convertir texto en voz: MAI-Voice-2.1 y MAI-Voice-2.1-Flash, ambos con soporte para 23 idiomas. MAI-Voice-2.1 está orientado a aplicaciones que priorizan la fidelidad, como audiolibros y locuciones, con una tarifa anunciada de US$22 por millón de caracteres. La variante Flash apunta a sistemas sensibles a la latencia y tiene un precio de US$15 por millón de caracteres.

Estos modelos entregan la entrada y la salida de audio de una aplicación conversacional —un sistema que dialoga por voz—, pero no funcionan solos. El procesamiento de la solicitud, la elección de acciones y la elaboración de la respuesta requieren componentes adicionales.

Con información de DiarioTI