Microsoft AI ha lanzado tres modelos de voz en tiempo real, y el principal, MAI-Transcribe-2-Streaming, asegura haber alcanzado el primer puesto en un ranking independiente de precisión de transcripción en directo. El anuncio, del 1 de octubre, completa la oferta de voz de la compañía con dos modelos de síntesis de voz. Conviene, eso sí, separar lo que dice Microsoft de lo que ya ha verificado un tercero, porque una revisión independiente del 2 de octubre matizaba parte de esa afirmación.
Los tres modelos
MAI-Transcribe-2-Streaming es el primer modelo de transcripción en streaming de Microsoft: transcribe las palabras a medida que llegan, no al terminar un archivo de audio. Según la compañía, ofrece transcripciones de baja latencia en 60 idiomas con detección automática y continua del idioma. Junto a él se lanzaron MAI-Voice-2.1, descrito como su modelo de texto a voz de mayor fidelidad hasta ahora, y MAI-Voice-2.1-Flash, pensado para la velocidad. Los tres están disponibles a través de Microsoft Foundry. El modelo de transcripción es la versión en tiempo real de MAI-Transcribe-2, que la compañía había lanzado en septiembre para audio ya grabado.
Las cifras que presenta Microsoft
En el ranking de Artificial Analysis para transcripción en streaming (AA-WER Streaming), Microsoft sitúa su modelo en el primer puesto de 38 tanto en precisión de la transcripción final como de la primera transcripción parcial. El dato central: una tasa de error de palabras del 2,5 % a 0,13 segundos del final del habla, y el mismo 2,5 % en la transcripción parcial a 0,12 segundos. Entre los competidores citados están Grok Voice Transcribe 2.0 (2,7 % y 0,49 s) y Muse Voice Transcribe de Meta (3,1 % y 0,16 s). Mustafa Suleyman, responsable de Microsoft AI, lo calificó de «el modelo de transcripción en tiempo real más preciso del mundo». En pruebas internas de dictado y subtitulado, la compañía afirma que el texto aparece aproximadamente el doble de rápido que con su competidor más cercano.
Cómo se mide la precisión
La tasa de error de palabras (WER) mide qué porcentaje de palabras se transcribe mal. El índice usado cubre unas ocho horas de audio procedentes de tres conjuntos de datos: conversaciones con agentes (50 %), intervenciones parlamentarias europeas (25 %) y llamadas de resultados empresariales (25 %). Es una referencia reconocida, pero cualquier ranking refleja unos datos concretos, y el rendimiento real depende del idioma, el ruido y el acento.
El matiz que no conviene omitir
Una revisión independiente publicada el 2 de octubre indicó que, a esa fecha, el modelo todavía no aparecía en la tabla pública de streaming de Artificial Analysis, donde Grok Voice Transcribe 2.0 conservaba la primera posición, y que la clasificación era, por tanto, autodeclarada. Otros medios sí recogieron después el primer puesto con los mismos números. Lo prudente es tratar el «#1» como una afirmación de la compañía respaldada por datos del evaluador, pendiente de consolidarse en la clasificación pública.
Precio y disponibilidad
Según la cobertura, Microsoft cobra 0,54 dólares por hora de audio, unos 9 dólares por 1.000 minutos, como precio introductorio hasta finales de 2026, y el modelo está en vista previa pública con interfaz de tiempo real por WebSocket y SDK de Azure Speech. No es un precio bajo frente a algunas alternativas, y hay análisis que lo describen como un liderazgo en precisión a precio premium.
Por qué importa a Microsoft
Para los desarrolladores de agentes de voz en Azure, hasta ahora hacía falta recurrir a un proveedor externo para al menos una pieza del circuito de audio. Con estos tres modelos, Microsoft cubre el ciclo completo de escuchar, razonar y hablar dentro de su propio catálogo, y reduce su dependencia de socios. Combina una transcripción rápida con una síntesis de voz de baja latencia para que el agente tenga más tiempo para razonar o llamar a herramientas.
Qué implica en la práctica
- Para desarrolladores de agentes de voz: una opción integrada en Azure para transcripción en tiempo real, aunque conviene probarla con su propio audio antes de decidir.
- Para subtitulado y dictado: la baja latencia es la propuesta central; la utilidad real dependerá de los idiomas y condiciones de cada caso.
- Para comparar proveedores: los rankings cambian cada semana, así que conviene mirar la tabla actual y no solo el comunicado del lanzamiento.
Nuestra lectura
Que una gran tecnológica compita ahora en transcripción con modelos propios, y no solo con los de sus socios, confirma que la voz se ha convertido en un terreno estratégico de la IA. El número, 2,5 %, es impresionante, pero es una instantánea de un ranking que se mueve rápido. La conclusión más sensata es esperar a que la clasificación pública y las pruebas independientes confirmen la ventaja antes de tratarla como definitiva.
Fuentes: Unite.AI, MarkTechPost y Tech Times.