Microsoft lanza MAI‑Transcribe‑2‑Streaming para voz en tiempo real en 60 idiomas a $0,54 por hora

El 1 de octubre de 2026, Microsoft AI anunció que su servicio MAI‑Transcribe‑2‑Streaming había entrado en vista previa pública. La oferta se posiciona como un motor basado en la nube para convertir voz a texto en tiempo real que puede manejar flujos de audio en sesenta idiomas, entregando tanto transcripciones parciales como finales a medida que el audio avanza. Microsoft promociona el servicio como una opción de bajo costo para desarrolladores que necesitan subtítulos instantáneos, tuberías de traducción en vivo o análisis impulsados por la voz. En otras palabras, permite que las aplicaciones reciban texto mientras el hablante aún está hablando, reduciendo la brecha entre la palabra hablada y su representación escrita.

Capacidades de transcripción en tiempo real

La transcripción en streaming difiere del procesamiento por lotes porque el modelo emite hipótesis mientras el hablante sigue hablando. MAI‑Transcribe‑2‑Streaming afirma generar una hipótesis inicial aproximadamente cien milisegundos después de que llega la muestra de audio, seguida de resultados parciales refinados y una transcripción final con puntuación completa. El sistema también realiza detección continua de idioma, cambiando automáticamente sus modelos acústicos y lingüísticos cuando detecta un cambio entre los sesenta idiomas compatibles, eliminando la necesidad de un paso separado de selección de idioma. Esta capacidad de cambiar de idioma de forma fluida mejora la experiencia en entornos multilingües.

Los desarrolladores pueden acceder al servicio a través de Microsoft Foundry, que expone una API Realtime que replica los patrones WebSocket usados por los puntos finales de streaming de OpenAI. La misma funcionalidad también está disponible mediante el SDK Azure Speech, lo que permite la integración en aplicaciones Windows, Linux, móviles y web con cambios mínimos de código. La documentación de Microsoft enfatiza que la API acepta tramas de audio crudo y devuelve fragmentos de transcripción codificados en JSON, lo que lo hace compatible con pipelines en tiempo real existentes. De este modo, los equipos pueden añadir rápidamente transcripción en vivo a sus productos sin rehacer la infraestructura de procesamiento de audio.

Rendimiento en benchmark y precisión

Artificial Analysis, una plataforma de benchmarking independiente, ubicó a MAI‑Transcribe‑2‑Streaming en la cima de su tabla de clasificación de tasa de error de palabras (WER) en streaming, que comparó treinta‑y‑ocho modelos en una mezcla de prueba común de ocho horas. Según el benchmark, el modelo alcanzó un WER del 2,5 % para transcripciones finales con una latencia promedio de 0,13 segundos, y el mismo 2,5 % de WER para los primeros resultados parciales entregados en 0,12 segundos. MarkTechPost informó estas cifras, señalando que la mezcla de prueba incluía una variedad de hablantes, acentos y ruidos de fondo. Estos resultados demuestran que el servicio mantiene una alta precisión incluso bajo condiciones de audio diversas.

Las propias mediciones de Microsoft respaldan los números del benchmark, y la compañía advierte que las afirmaciones de velocidad fuera del test de Artificial Analysis deben considerarse estimaciones internas. La vista previa pública no incluye un acuerdo de nivel de servicio (SLA) de producción, lo que significa que las empresas que planean despliegues críticos deberán evaluar la fiabilidad y latencia bajo sus propias cargas de trabajo antes de comprometerse con un nivel de pago. Esta precaución invita a las organizaciones a realizar sus propias pruebas de rendimiento para asegurarse de que el servicio satisface sus requisitos operacionales.

Precios, modelos relacionados y límites de la vista previa

Durante la duración de la vista previa, Microsoft ha fijado el precio introductorio en cincuenta y cuatro centavos por hora de audio procesado, tarifa que permanecerá vigente hasta finales de 2026. La vista previa no lleva un SLA formal, y el uso más allá de las cifras de benchmark anunciadas no está garantizado. Junto al servicio de transcripción, Microsoft también lanzó MAI‑Voice‑2.1 y Voice‑2.1‑Flash, este último anunciado como capaz de generar cuarenta y cinco segundos de habla sintética con una latencia de extremo a extremo de aproximadamente 150 milisegundos a un costo de quince dólares por millón de caracteres.

El modelo Flash está pensado para escenarios de generación de voz de baja latencia, como asistentes interactivos o doblaje en tiempo real, complementando al motor de transcripción en streaming al proporcionar una ruta de salida de voz rápida y de alta calidad. Ambos modelos comparten la misma superficie de integración a través de Microsoft Foundry, permitiendo a los desarrolladores encadenar transcripción y síntesis en una única sesión WebSocket si lo desean. Esta integración fluida simplifica la creación de aplicaciones que requieren tanto la conversión de voz a texto como la generación de voz a partir de texto.

• Soporta 60 idiomas con detección automática
• Hipótesis inicial generada en ~100 ms tras la recepción del audio
• WER reportado de 2,5 % con latencia de 0,13 s para transcripciones finales
• Precio introductorio de $0,54 por hora de audio (período de vista previa)
• Acceso a través de la API Realtime de Microsoft Foundry y el SDK Azure Speech

La combinación de baja latencia, cobertura multilingüe amplia y un modelo de precios transparente abre nuevas posibilidades para los desarrolladores que construyen subtítulos en vivo, análisis multilingüe de centros de llamadas o servicios de traducción en tiempo real. Dado que el servicio transmite resultados parciales, las aplicaciones pueden comenzar a procesar texto antes de que el hablante termine, reduciendo los tiempos de respuesta de extremo a extremo para componentes de IA posteriores como análisis de sentimiento o detección de intención. La estructura de costos modesta también reduce la barrera de entrada para startups y equipos de investigación que antes evitaban la transcripción en la nube por tarifas altas por minuto.

Para organizaciones que operan en mercados de habla inglesa, la vista previa significa que las interfaces de voz en tiempo real pueden desplegarse ahora a una fracción del costo de ofertas anteriores de Azure Speech, mientras siguen cubriendo un amplio conjunto de idiomas para equipos globales. Las empresas pueden experimentar con subtítulos en vivo para webinars, integrar subtítulos instantáneos en plataformas de video o enriquecer el soporte al cliente impulsado por voz con transcripción en tiempo real, todo sin comprometerse inmediatamente a un SLA de producción mientras el servicio sigue en fase de vista previa.