Microsoft lança MAI‑Transcribe‑2‑Streaming para fala em tempo real em 60 idiomas a US$0,54 por hora

Em 1 de outubro de 2026, a Microsoft AI anunciou que seu serviço MAI‑Transcribe‑2‑Streaming entrou em pré‑visualização pública. A oferta é posicionada como um mecanismo baseado em nuvem para conversão de fala em texto em tempo real que pode lidar com fluxos de áudio em sessenta idiomas, entregando tanto transcrições parciais quanto finais à medida que o áudio avança. A Microsoft comercializa o serviço como uma opção de baixo custo para desenvolvedores que precisam de legendas instantâneas, pipelines de tradução ao vivo ou análises acionadas por voz. Em termos simples, ele permite que aplicativos recebam texto enquanto o falante ainda está falando, diminuindo a lacuna entre a fala e sua representação escrita.

Capacidades de transcrição em tempo real

A transcrição em streaming difere do processamento em lote porque o modelo emite hipóteses enquanto o falante ainda está falando. MAI‑Transcribe‑2‑Streaming afirma gerar uma hipótese inicial em cerca de cem milissegundos após a amostra de áudio chegar, seguida de resultados parciais refinados e de uma transcrição final rica em pontuação. O sistema também realiza detecção contínua de idioma, trocando automaticamente seus modelos acústicos e linguísticos ao detectar uma mudança entre os sessenta idiomas suportados, eliminando a necessidade de uma etapa separada de seleção de idioma. Essa capacidade de mudar de idioma de forma fluida melhora a experiência em ambientes multilíngues.

Desenvolvedores podem acessar o serviço através do Microsoft Foundry, que expõe uma API Realtime que espelha os padrões WebSocket usados pelos endpoints de streaming da OpenAI. A mesma funcionalidade também está disponível via o SDK Azure Speech, permitindo integração em aplicativos Windows, Linux, móveis e web com mudanças mínimas de código. A documentação da Microsoft enfatiza que a API aceita quadros de áudio bruto e devolve fragmentos de transcrição codificados em JSON, tornando-o compatível com pipelines em tempo real existentes. Dessa forma, as equipes podem rapidamente adicionar transcrição ao vivo a seus produtos sem precisar refazer a infraestrutura de processamento de áudio.

Desempenho em benchmark e precisão

Artificial Analysis, uma plataforma de benchmark independente, posicionou o MAI‑Transcribe‑2‑Streaming no topo de sua classificação de taxa de erro de palavras (WER) em streaming, que comparou trinta‑e‑oito modelos em um mix de teste comum de oito horas. Segundo o benchmark, o modelo alcançou um WER de 2,5 % para transcrições finais com latência média de 0,13 segundo, e o mesmo 2,5 % de WER para os primeiros resultados parciais entregues em 0,12 segundo. MarkTechPost reportou esses números, observando que o mix de teste incluía uma variedade de falantes, sotaques e ruídos de fundo. Esses resultados demonstram que o serviço mantém alta precisão mesmo em condições de áudio variadas.

As próprias medições da Microsoft sustentam os números do benchmark, e a empresa alerta que afirmações de velocidade fora do teste Artificial Analysis devem ser tratadas como estimativas internas. A pré‑visualização pública não inclui um acordo de nível de serviço (SLA) de produção, o que significa que empresas que planejam implantações críticas precisarão avaliar confiabilidade e latência sob suas próprias cargas de trabalho antes de se comprometerem com um plano pago. Essa precaução incentiva as organizações a realizarem seus próprios testes de desempenho para garantir que o serviço atenda aos requisitos operacionais.

Preços, modelos relacionados e limites da pré‑visualização

Durante o período de pré‑visualização, a Microsoft definiu o preço introdutório em cinquenta e quatro centavos por hora de áudio processado, tarifa que permanecerá em vigor até o final de 2026. A pré‑visualização não traz um SLA formal, e o uso além dos números de benchmark anunciados não é garantido. Juntamente com o serviço de transcrição, a Microsoft também lançou MAI‑Voice‑2.1 e Voice‑2.1‑Flash, este último anunciado como capaz de gerar quarenta e cinco segundos de fala sintética com latência de ponta a ponta de aproximadamente 150 milissegundos a um custo de quinze dólares por milhão de caracteres.

O modelo Flash destina‑se a cenários de geração de voz de baixa latência, como assistentes interativos ou dublagem em tempo real, complementando o motor de transcrição em streaming ao fornecer um caminho de saída de voz rápido e de alta qualidade. Ambos os modelos compartilham a mesma superfície de integração via Microsoft Foundry, permitindo que desenvolvedores encadeiem transcrição e síntese em uma única sessão WebSocket, se desejarem. Essa integração fluida simplifica a criação de aplicativos que requerem tanto a conversão de fala em texto quanto a geração de fala a partir de texto.

• Suporta 60 idiomas com detecção automática
• Hipótese inicial gerada em ~100 ms após recebimento do áudio
• WER reportado de 2,5 % com latência de 0,13 s para transcrições finais
• Preço introdutório de US$0,54 por hora de áudio (período de pré‑visualização)
• Acesso via API Realtime do Microsoft Foundry e SDK Azure Speech

A combinação de baixa latência, cobertura multilíngue ampla e modelo de precificação transparente abre novas possibilidades para desenvolvedores que constroem legendas ao vivo, análises multilíngues de call‑center ou serviços de tradução em tempo real. Como o serviço transmite resultados parciais, aplicativos podem começar a processar texto antes que o falante termine, reduzindo os tempos de resposta de ponta a ponta para componentes de IA subsequentes, como análise de sentimento ou detecção de intenção. A estrutura de custos modesta também diminui a barreira de entrada para startups e equipes de pesquisa que antes evitavam a transcrição em nuvem devido a altas tarifas por minuto.

Para organizações que operam em mercados de língua inglesa, a pré‑visualização significa que interfaces de voz em tempo real podem agora ser implantadas a uma fração do custo das ofertas anteriores do Azure Speech, enquanto ainda cobrem um amplo conjunto de idiomas para equipes globais. As empresas podem experimentar legendas ao vivo para webinars, integrar subtítulos instantâneos em plataformas de vídeo ou aprimorar o suporte ao cliente acionado por voz com transcrição em tempo real, tudo isso sem se comprometer imediatamente com um SLA de produção enquanto o serviço ainda está em fase de pré‑visualização.