O que os três novos modelos de voz da Microsoft oferecem

A Microsoft anunciou três modelos de IA voltados a aplicações de voz: o MAI-Transcribe-2-Streaming, que transforma fala ao vivo em texto, e os modelos MAI-Voice-2.1 e MAI-Voice-2.1-Flash, que convertem texto em áudio. A proposta é oferecer a desenvolvedores componentes para criar agentes de voz — sistemas que escutam e respondem por fala. Os três estão disponíveis em prévia pública no Microsoft Foundry. 3639

Comparação rápida

Modelo	Para que serve	Idiomas informados	Preço informado
MAI-Transcribe-2-Streaming	Transcrição ao vivo, com atualizações parciais	60, com detecção automática do idioma	US$ 0,54 por hora de áudio, em preço promocional até o fim de 2026 435
MAI-Voice-2.1	Geração de fala com foco em expressividade	23	US$ 22 por milhão de caracteres 3536
MAI-Voice-2.1-Flash	Geração de fala com foco em velocidade	23, conforme os dados informados para os modelos de voz	US$ 15 por milhão de caracteres 3536

Os valores são os preços publicados nos relatos disponíveis, em dólares americanos. A tarifa de transcrição é apresentada como promocional, então desenvolvedores devem confirmar as condições atuais antes de estimar custos de produção. 435

Transcrição enquanto a conversa acontece

O MAI-Transcribe-2-Streaming não precisa esperar o fim de uma frase para começar a exibir texto. Ele recebe áudio contínuo por WebSocket — um protocolo de comunicação em tempo real — e envia atualizações da transcrição à medida que a fala chega. O modelo tem suporte informado para 60 idiomas e detecção automática do idioma falado. 1

Os relatos sobre a velocidade inicial não usam exatamente o mesmo ponto de partida. Um descreve resultados parciais aparecendo pouco mais de 100 milissegundos após o recebimento do áudio; outro cita palavras surgindo cerca de 320 milissegundos depois de serem pronunciadas. Por isso, os números não devem ser tratados como uma comparação direta da mesma medida de latência. 24

Em uma avaliação de transcrição em streaming da Artificial Analysis, o modelo teria estreado em primeiro lugar em precisão. Um dos relatos informa uma taxa final de erro por palavra de 2,5% entre 38 modelos. É um resultado de benchmark, não uma garantia de desempenho igual em todos os idiomas, ambientes de gravação ou usos. 34

O preço divulgado para o modelo é de US$ 0,54 por hora de áudio, em caráter promocional até o fim de 2026. 435

Duas opções para transformar texto em fala

Os modelos MAI-Voice-2.1 e MAI-Voice-2.1-Flash geram áudio a partir de texto, mas atendem a prioridades diferentes. O 2.1 é descrito como a opção mais expressiva; o Flash é voltado a aplicações em que reduzir a espera entre uma fala e outra é importante. A cobertura informada para os modelos de voz é de 23 idiomas. 63536

Os preços publicados são de US$ 22 por milhão de caracteres para o MAI-Voice-2.1 e US$ 15 por milhão de caracteres para o Flash. Um relato afirma que o Flash gera 45 segundos de áudio com latência de 150 milissegundos. Esse dado deve ser lido como uma especificação relatada, não como uma medida universal do tempo total de resposta em qualquer aplicação. 3536

As informações disponíveis não apresentam uma pontuação pública diretamente comparável de qualidade de voz para os dois modelos. Portanto, a posição do modelo de transcrição em um ranking de precisão não deve ser interpretada como uma classificação dos modelos de geração de fala. 3234

O que a prévia pública significa

Os três modelos estão em prévia pública no Microsoft Foundry, plataforma da Microsoft para desenvolver e testar aplicações de IA. A prévia permite que desenvolvedores experimentem os modelos, mas não equivale a um anúncio de disponibilidade geral. 36

A novidade prática é a oferta de componentes próprios da Microsoft tanto para reconhecer fala quanto para gerar respostas em áudio. Isso pode facilitar a construção de parte da camada de voz dentro do ecossistema de desenvolvimento da empresa. Mas o lançamento não significa que um agente de voz completo dispense outros modelos ou serviços: raciocínio, orquestração e outras funções podem continuar dependendo de ferramentas diferentes. 639

Em resumo

O modelo de transcrição se destaca pela operação em streaming, pelo suporte informado a 60 idiomas e pelo resultado relatado na Artificial Analysis, incluindo uma taxa de erro final de 2,5%. Já os modelos de voz oferecem uma escolha entre expressividade e velocidade, com preços e cobertura de idiomas informados. Antes de decidir pelo uso em produção, vale verificar a disponibilidade, os preços e a latência no cenário específico da aplicação. 1343536