Microsoft presenta tres modelos de IA para transcribir y generar voz

Microsoft presentó tres modelos MAI para cubrir las dos partes de una conversación por voz: MAI-Transcribe-2-Streaming convierte voz en texto mientras alguien habla; MAI-Voice-2.1 y MAI-Voice-2.1-Flash generan audio a partir de texto. La propuesta está dirigida a desarrolladores que crean agentes de voz y, por ahora, los tres modelos se ofrecen en vista previa pública a través de Microsoft Foundry. 3639

Comparación rápida

Modelo	Para qué sirve	Idiomas reportados	Precio reportado
MAI-Transcribe-2-Streaming	Transcripción en directo con actualizaciones parciales	60, con detección automática del idioma	0,54 dólares por hora de audio; tarifa promocional hasta finales de 2026 435
MAI-Voice-2.1	Generación de voz con énfasis en la expresividad	23	22 dólares por millón de caracteres 3536
MAI-Voice-2.1-Flash	Generación de voz orientada a responder con mayor rapidez	23 para los modelos de voz, según los listados	15 dólares por millón de caracteres 3536

Son precios y datos de disponibilidad reportados, no una garantía de que las condiciones vayan a mantenerse. En particular, Microsoft describe como promocional la tarifa de transcripción. 435

MAI-Transcribe-2-Streaming: texto mientras llega la voz

A diferencia de un sistema que espera a que la persona termine de hablar, este modelo envía fragmentos de transcripción mientras recibe audio continuo mediante WebSocket. Según el listado citado en los informes, detecta automáticamente el idioma entre 60 opciones. 1

Las cifras de latencia varían según el reporte y el punto desde el que se empieza a medir. Una fuente indica que puede ofrecer resultados parciales poco más de 100 milisegundos después de recibir el audio; otra señala que las palabras pueden aparecer alrededor de 320 milisegundos después de ser pronunciadas. Como los puntos de partida no son iguales, no conviene comparar ambas cifras como si midieran exactamente lo mismo. 24

En el benchmark de transcripción en streaming de Artificial Analysis, el modelo debutó en el primer puesto de precisión, según los informes. Uno de ellos cifra su tasa final de error de palabras en un 2,5 % entre 38 modelos. Es un resultado reportado para esa evaluación, no una promesa de precisión idéntica con cualquier idioma, calidad de grabación o aplicación. 34

El precio anunciado para la transcripción es de 0,54 dólares por hora de audio, con carácter promocional hasta finales de 2026. Quienes evalúen el modelo para un producto deberían tener en cuenta que esa tarifa tiene un plazo. 435

MAI-Voice-2.1 y Flash: dos opciones para generar audio

Los dos modelos convierten texto en voz, pero están pensados para distintas prioridades. MAI-Voice-2.1 se presenta como la opción más expresiva; Flash, como la alternativa más rápida para aplicaciones en las que importa reducir la espera entre turnos. Los listados consultados atribuyen 23 idiomas a los modelos de voz. 63536

El precio reportado es de 22 dólares por millón de caracteres para MAI-Voice-2.1 y de 15 dólares para Flash. Un informe afirma que Flash puede generar 45 segundos de audio con 150 milisegundos de latencia; hay que leerlo como una cifra publicada, no como una medición universal del tiempo total de respuesta en cualquier configuración. 3536

Los informes disponibles no ofrecen una puntuación pública directamente comparable para medir la calidad de las voces generadas. Por tanto, el puesto de precisión del modelo de transcripción no sirve para establecer una clasificación de MAI-Voice-2.1 o Flash. 3234

Acceso para desarrolladores y alcance del anuncio

Los tres modelos están disponibles en vista previa pública en Microsoft Foundry. Esto permite a los desarrolladores probarlos, pero no equivale a que Microsoft los haya declarado disponibles de forma general. 36

La novedad práctica es que Microsoft ofrece componentes propios tanto para reconocer voz como para generarla. Eso puede facilitar que parte de la tecnología de voz de un agente se integre en el ecosistema de desarrollo de Microsoft y reducir la necesidad de recurrir a proveedores externos para esos componentes concretos. No significa que un agente completo pueda prescindir de otros servicios: el razonamiento, la coordinación de tareas y otras funciones pueden depender de modelos o herramientas distintos. 639

En resumen

La comparación más clara es la de MAI-Transcribe-2-Streaming: transcribe de forma incremental, admite 60 idiomas y obtuvo un primer puesto reportado en precisión en Artificial Analysis, con una tasa de error final de palabras del 2,5 % en un informe. Para generar voz, MAI-Voice-2.1 prioriza la expresividad y Flash la rapidez; ambos tienen precios por carácter distintos. Antes de decidirse, conviene comprobar el acceso, las tarifas vigentes y la latencia en el entorno donde se piensa usar cada modelo. 1343536