Microsoft AI liberó MAI-Transcribe-2-Streaming, un modelo nuevo de transcripción en tiempo real, informó The Decoder el 2 de octubre. Según Microsoft, ocupa el primer lugar en precisión en el ranking de Artificial Analysis.
El modelo transcribe 60 idiomas y entrega sus primeros resultados parciales en poco más de 100 milisegundos. Microsoft dice que esa latencia permite que un agente de voz responda mientras la persona todavía no termina la frase. Hasta fin de año, con el precio de lanzamiento, una hora de audio cuesta 0,54 dólares.
Dos modelos nuevos de texto a voz
Microsoft publicó además dos modelos de síntesis de voz. MAI-Voice-2.1 está diseñado para hablar 23 idiomas con la misma voz y con acento nativo en cada uno.
La variante MAI-Voice-2.1-Flash alcanza una latencia de 150 milisegundos, según Microsoft, y cuesta 15 dólares por millón de caracteres en vez de 22.
| Modelo | Función | Dato publicado | Precio |
|---|---|---|---|
| MAI-Transcribe-2-Streaming | Transcripción en tiempo real | 60 idiomas, primeros resultados en poco más de 100 ms | 0,54 dólares por hora de audio (precio de lanzamiento hasta fin de año) |
| MAI-Voice-2.1 | Texto a voz | 23 idiomas con la misma voz | 22 dólares por millón de caracteres |
| MAI-Voice-2.1-Flash | Texto a voz | Latencia de 150 ms | 15 dólares por millón de caracteres |
¿Qué pasa con la clonación de voz?
Los dos modelos de voz pueden clonar una voz a partir de unos pocos segundos de audio de referencia. Microsoft dice que incorporó salvaguardas para evitar el mal uso, pero no detalló cuáles son.
En una prueba, cerca de la mitad de los 4.000 participantes creyó que las voces eran de una persona real.
¿Dónde se pueden usar?
Los modelos están disponibles en Microsoft Foundry y en el MAI Playground, entre otras plataformas. Los dos modelos de voz también se pueden usar a través de OpenRouter, el servicio que reúne modelos de distintos proveedores bajo una sola API.
