Microsoft lança modelos próprios de IA MAI-Transcribe-2-Streaming e MAI-Voice-2.1 para voz

O que se sabe

• A Microsoft lançou três modelos proprietários de IA voltados para áudio: MAI-Transcribe-2-Streaming, MAI-Voice-2.1 e MAI-Voice-2.1-Flash.¹²
• O MAI-Transcribe-2-Streaming é o primeiro modelo de transcrição em tempo real (streaming) desenvolvido pela Microsoft.²¹
• O MAI-Transcribe-2-Streaming oferece suporte a 60 idiomas e detecção contínua e automática de troca de idiomas durante o diálogo.²¹
• O MAI-Transcribe-2-Streaming estreou em primeiro lugar no benchmark da Artificial Analysis (AA-WER Streaming), registrando taxa de erro de palavra de 2,5%.²¹
• O preço introdutório do MAI-Transcribe-2-Streaming é de US$ 0,54 por hora de áudio até o final do ano.²¹
• O MAI-Voice-2.1 suporta 23 idiomas e 26 localidades, permitindo que uma mesma voz fale diferentes idiomas com sotaque nativo local.¹²
• O MAI-Voice-2.1-Flash é otimizado para alta velocidade e volume, gerando 45 segundos de áudio com latência ponta a ponta de 150 milissegundos ao custo de US$ 15 por 1 milhão de caracteres.²¹
• Os modelos foram disponibilizados por meio do Vercel AI Gateway e apresentados na demonstração Chatter dentro do MAI Playground.¹²
• O modelo MAI-Transcribe-2-Streaming gera suas primeiras hipóteses de transcrição parcial em pouco mais de 100 milissegundos após receber o áudio.¹
• O MAI-Voice-2.1 tem custo fixado em US$ 22 por 1 milhão de caracteres.¹
• Ambos os modelos de voz oferecem suporte a clonagem vocal a partir de poucos segundos de áudio de referência e contam com salvaguardas de consentimento integradas.¹
• O lançamento visa fornecer tecnologia interna para desenvolvedores criarem agentes conversacionais e diminuir a dependência da Microsoft de fornecedores externos de IA.²

Cronologia

1. 02 out 2026Microsoft anuncia e disponibiliza os modelos MAI-Transcribe-2-Streaming, MAI-Voice-2.1 e MAI-Voice-2.1-Flash