A Microsoft lançou três modelos proprietários de inteligência artificial dedicados ao processamento e geração de áudio: MAI-Transcribe-2-Streaming, MAI-Voice-2.1 e MAI-Voice-2.1-Flash. A iniciativa tem como objetivo fornecer ferramentas internas para desenvolvedores estruturarem agentes conversacionais, além de reduzir a dependência da empresa em relação a fornecedores externos de IA.
O MAI-Transcribe-2-Streaming marca a estreia da Microsoft no desenvolvimento próprio de modelos de transcrição em fluxo contínuo (streaming). O sistema suporta 60 idiomas e realiza a detecção contínua e automática de trocas de língua no decorrer de um diálogo, gerando as primeiras hipóteses de transcrição parcial em pouco mais de 100 milissegundos após a recepção do sinal de voz.
Nos testes de desempenho, o MAI-Transcribe-2-Streaming alcançou a liderança do benchmark da Artificial Analysis (AA-WER Streaming), registrando uma taxa de erro de palavra de 2,5%. Como valor introdutório válido até o final do ano, o uso do modelo foi precificado em US$ 0,54 por hora de áudio processada.
Recursos de síntese e clonagem vocal
Para a conversão de texto em fala, o MAI-Voice-2.1 oferece compatibilidade com 23 idiomas e 26 localidades, permitindo que uma única voz seja reproduzida em línguas distintas preservando o sotaque nativo regional. O custo definido para este modelo é de US$ 22 por milhão de caracteres.
A variante MAI-Voice-2.1-Flash foi projetada para cenários de alta velocidade e grande volume, sendo capaz de gerar 45 segundos de áudio com latência ponta a ponta de 150 milissegundos, com valor fixado em US$ 15 por 1 milhão de caracteres. Ambos os modelos de voz contemplam capacidade de clonagem vocal a partir de amostras de referência de poucos segundos, incluindo salvaguardas de consentimento integradas à tecnologia.
Disponibilização e ecossistema
Os novos modelos de áudio da empresa com sede em Redmond, Washington, foram integrados e disponibilizados por meio do Vercel AI Gateway. Os desenvolvedores também podem testar os recursos na demonstração prática Chatter, implementada no ambiente do MAI Playground.