Palabras provisionales en una décima de segundo
Microsoft ha publicado su primer modelo de transcripción en flujo, MAI-Transcribe-2-Streaming, junto a dos modelos de voz sintética, MAI-Voice-2.1 y una variante más rápida llamada MAI-Voice-2.1-Flash. El modelo de transcripción empieza a emitir palabras provisionales —lo que en el sector se llaman “parciales”— poco más de 100 milisegundos después de empezar a recibir audio, y luego las corrige a medida que llega más habla.
Esa corrección es el sentido mismo de un modelo en flujo. Un transcriptor por lotes espera a que el hablante termine; uno en flujo se arriesga pronto a una conjetura y se enmienda, que es lo que permite a un agente de voz interrumpir y ser interrumpido. Microsoft dice que el modelo admite 60 idiomas con detección automática y continua, de modo que quien cambia de lengua a media frase no tiene que avisar.
La afirmación, y de quién es
Microsoft dice que el modelo “ocupa el puesto n.º 1 en precisión tanto para transcripciones finales como parciales en Artificial Analysis”, y que las palabras aparecen el doble de rápido que en su competidor más cercano. Artificial Analysis es un evaluador independiente, pero la clasificación aquí es la descripción que hace Microsoft de dónde quedó su modelo, publicada por Microsoft el día del lanzamiento. Es el relato de un proveedor sobre un resultado ajeno, no un análisis independiente, y la compañía no nombra al competidor al que dobla.
El lado de la voz, y el precio
MAI-Voice-2.1 cubre 23 idiomas y 26 variantes regionales, y Microsoft dice que una misma voz sintética puede moverse entre ellos sin sonar como otro hablante, que es el fallo que delata a la voz sintética multilingüe. Ambos modelos de voz pueden clonar una voz en cualquier idioma admitido a partir de unos segundos de audio de referencia, con lo que Microsoft llama salvaguardas de consentimiento integradas para evitar abusos.
Los precios son la parte agresiva. MAI-Voice-2.1 cuesta 22 dólares por millón de caracteres y la variante Flash, 15. El modelo de transcripción en flujo cuesta 0,54 dólares por hora de audio como tarifa de lanzamiento hasta final de 2026.
Una quincena abarrotada para la voz
Esto llega en medio del periodo más agitado que ha vivido el mercado de la voz. ElevenLabs presentó el 30 de septiembre una nueva arquitectura de habla que acepta indicaciones escénicas, y esa misma semana duplicó su valoración sin levantar capital nuevo. Fermion Research liberó un modelo de transcripción de 164 megabytes que funciona en un portátil. Suno añadió voz hablada a su generador musical el jueves.
Lo que distingue la entrada de Microsoft es hacia dónde apunta. La compañía ha dicho que quiere estos modelos transcribiendo llamadas en Teams y consultas clínicas en su producto Dragon Copilot para sanitarios: cargas de trabajo cautivas y de gran volumen, donde una décima de segundo y una quinta parte de un céntimo se acumulan deprisa.
Conviene mirar las tablas independientes antes que el anuncio. Artificial Analysis publica las suyas, y la afirmación de un proveedor sobre un primer puesto se sostiene o no en cuanto los demás envían sus resultados.
