.jpg){kind=link}
Global · IA · Modelos · Microsoft · Voz
Microsoft amplía sus modelos de voz y estrena transcripción en tiempo real
MAI-Transcribe-2-Streaming admite sesenta idiomas y se acompaña de dos modelos de síntesis de voz.
Fecha de la fuente original:
Lo esencial
- La transcripción en directo admite 60 idiomas y detecta cambios de lengua.
- MAI-Voice-2.1 y Flash generan voz en 23 idiomas, con controles de consentimiento para clonación.
- La tarifa introductoria de transcripción, US$0,54 por hora, termina al finalizar 2026.
Texto mientras llega el audio
Microsoft presentó MAI-Transcribe-2-Streaming para transcribir conversaciones sin esperar a que termine la intervención. Emite hipótesis parciales y las revisa con nuevo contexto antes de fijar el texto. Permite subtítulos en directo y agentes que procesan solicitudes durante la conversación.
Voces y controles
MAI-Voice-2.1 y Flash convierten texto en voz en 23 idiomas. La misma voz puede cambiar de lengua. Ambos admiten clonación a partir de audio de referencia con controles de consentimiento, según Microsoft; las comparaciones de calidad y velocidad son las que publica el proveedor.
Precios y acceso
La transcripción se anuncia a US$0,54 por hora hasta terminar 2026. MAI-Voice-2.1 cuesta US$22 por millón de caracteres y Flash, US$15. Los tres modelos llegan a Microsoft Foundry y MAI Playground, entre otros servicios; el anuncio sitúa LiveKit como una integración futura.