Microsoft lança MAI-Transcribe-2-Streaming e áudio

A nova família traz transcrição em tempo real avaliada em primeiro lugar em benchmark independente e dois modelos de síntese de voz de baixa latência.

A Microsoft AI lançou em 1º de outubro de 2026 três modelos proprietários de áudio voltados para agentes conversacionais: o MAI-Transcribe-2-Streaming, focado em transcrição contínua, e a dupla MAI-Voice-2.1 e MAI-Voice-2.1-Flash para conversão de texto em fala. As ferramentas já estão acessíveis no MAI Playground, no Microsoft Foundry, no Vercel AI Gateway e no OpenRouter.

MAI-Transcribe-2-Streaming lidera benchmark independente

O MAI-Transcribe-2-Streaming processa 60 idiomas com identificação contínua e automática da língua falada durante o fluxo de entrada. Em testes independentes conduzidos pela Artificial Analysis contra 38 sistemas concorrentes, o modelo assumiu o primeiro lugar geral com taxa de erro de palavras (WER) de 2,5% tanto em transcrições parciais quanto em transcrições finais.

Para quem desenvolve agentes de voz, a métrica mais decisiva é o tempo até a primeira resposta útil. O modelo entrega as hipóteses iniciais de transcrição cerca de 100 milissegundos após a chegada do sinal sonoro, com latências registradas de 0,12 segundo nas parciais e 0,13 segundo nas finais. Essa agilidade dá margem para que a aplicação dispare consultas a bancos de dados ou chamadas de funções antes mesmo de a pessoa terminar a frase. A Microsoft definiu uma tarifa promocional de lançamento de US$ 0,54 por hora de áudio (ou US$ 9,00 por mil minutos) até dezembro de 2026, mantendo o preço regular para 2027 ainda em aberto.

Síntese de voz com consistência de identidade

Na outra ponta da conversa, a Microsoft apresentou o MAI-Voice-2.1 e o MAI-Voice-2.1-Flash, cobrindo 23 idiomas e 26 localidades. O aspecto técnico central da linha é a preservação da identidade vocal através de diferentes línguas. Um mesmo locutor mantém seu timbre característico enquanto assume a pronúncia e o sotaque nativos da região selecionada.

Os dois sintetizadores atendem a demandas diferentes de processamento. A versão Flash prioriza respostas imediatas, operando com latência de ponta a ponta de 150 milissegundos ao custo de US$ 15 por 1 milhão de caracteres. A Microsoft afirma que a inferência é 55% mais rápida do que modelos comparáveis da indústria, embora não tenha detalhado quais referências serviram de base para essa conta. Já o MAI-Voice-2.1 convencional foca em narrações longas, caso de audiolivros e palestras gravadas, com preço fixado em US$ 22 por 1 milhão de caracteres.

Ambas as versões incluem clonagem instantânea a partir de gravações de 5 a 60 segundos, processo condicionado a mecanismos formais de consentimento do titular da voz. A empresa também divulgou um teste cego interno com 4.000 ouvintes no qual 50,3% consideraram a voz gerada tão ou mais humana que gravações reais. Trata-se de número proprietário divulgado pela própria fabricante, sem verificação independente externa.

Disputa direta pelo orçamento de milissegundos

Agentes de voz funcionam bem apenas quando a resposta total fica abaixo de 700 milissegundos. Quando a transcrição consome 100 milissegundos e a geração de voz outros 150 milissegundos, o desenvolvedor ganha tempo valioso para o modelo de linguagem processar a resposta sem criar silêncios desconfortáveis. Com essa combinação, a Microsoft mira disputar mercado com empresas especializadas como Deepgram, ElevenLabs e Cartesia.

Apesar dos resultados nos testes de velocidade, a implementação prática exige atenção a detalhes operacionais. No catálogo do Azure Foundry, os modelos de voz permanecem em prévia pública, modalidade que não oferece garantia contratual de disponibilidade (SLA). Além disso, a integração direta com a plataforma de tempo real LiveKit ainda não tem data confirmada para entrar em produção.

Fontes

• Microsoft AI: https://microsoft.ai/news/our-first-streaming-transcription-model/
• Microsoft Learn: https://learn.microsoft.com/en-us/azure/ai-services/speech-service/mai-voices
• Artificial Analysis: https://artificialanalysis.ai/speech-to-text/streaming
• Marktechpost: https://www.marktechpost.com/2026/10/02/microsoft-ai-releases-mai-transcribe-2-streaming-1-real-time-speech-to-text-model-on-artificial-analysis/
• TestingCatalog: https://x.com/testingcatalog/status/2105723322444959922