Microsoft amplía la familia MAI con modelos de síntesis de voz y transcripción en streaming

Microsoft Corp. ha ampliado su familia de modelos de inteligencia artificial MAI con el lanzamiento de un modelo de transcripción en streaming junto a dos modelos de síntesis de texto a voz, con el objetivo de ofrecer a los desarrolladores la infraestructura necesaria para crear agentes de voz naturales y de baja latencia.

Transcripción en streaming en tiempo real

El lanzamiento principal es MAI-Transcribe-2-Streaming, que admite voz humana continua a través de un WebSocket y actualiza la transcripción de forma dinámica a medida que el usuario habla. Según Microsoft, el modelo ofrece sus hipótesis iniciales de transcripción en un promedio de 320 milisegundos, aunque la calidad de la red y la generación posterior de la IA pueden influir en los tiempos de respuesta totales. Disponible en Vercel AI Gateway por 0.54 dólares por hora de audio, admite más de 60 idiomas con detección automática del idioma.

Esta variante en streaming es más costosa que el modelo estándar MAI-Transcribe-2 presentado el mes anterior, cuyo precio es de 0.10 dólares por hora de audio. La versión convencional aguarda a que el interlocutor termine de hablar antes de iniciar el procesamiento, mientras que la edición en streaming realiza cómputos provisionales continuos.

Síntesis de voz y arquitectura de agentes

Para gestionar las respuestas auditivas, Microsoft presentó MAI-Voice-2.1, optimizado para ofrecer mayor expresividad y fidelidad, y MAI-Voice-2.1-Flash, ajustado para reducir la latencia y los costes. Ambos son compatibles con 23 idiomas y tienen un precio en Vercel AI Gateway de 22 y 15 dólares por millón de caracteres, respectivamente.

Estos componentes operan junto al modelo de razonamiento de Microsoft, MAI-Thinking-1, que procesa el texto transcrito para determinar las acciones del agente. Este enfoque modular permite a los desarrolladores gestionar de forma independiente la calidad, la latencia y los costes operativos del agente de voz en sus tres capas.

Giro estratégico hacia infraestructura propia

Estos lanzamientos reflejan un esfuerzo continuo por parte de Microsoft para reducir su dependencia de modelos avanzados de proveedores externos como OpenAI y Anthropic. Diversos informes en medios destacaron previamente las preocupaciones sobre los costes planteadas por el director ejecutivo de Microsoft AI, Mustafa Suleyman, respecto a los modelos externos, apuntando a una eventual migración de sistemas como Copilot hacia la arquitectura interna de modelos MAI.

Disponibilidad y limitaciones de rendimiento

MAI-Transcribe-2-Streaming y los nuevos modelos de voz están accesibles actualmente a través de Vercel AI Gateway. Microsoft advierte que las velocidades de respuesta prometidas en la transcripción son promedios y no pueden garantizarse en todos los entornos de red o escenarios de despliegue.

Supervisión editorial

Esta cobertura resume los anuncios oficiales de modelos y tarifas de Microsoft sin pruebas independientes ni verificación directa de las cifras de rendimiento declaradas.

Integración técnica

Los desarrolladores pueden integrar estos modelos mediante protocolos estándar de pasarela para construir bucles conversacionales en tiempo real que combinan reconocimiento de voz, razonamiento mediante LLM y salidas de voz sintetizada.

Contexto de mercado

La expansión de la familia MAI subraya un impulso más amplio en la industria hacia infraestructuras de voz especializadas y de coste controlado, diseñadas específicamente para aplicaciones conversacionales interactivas.

Alcance operativo

Los nuevos modelos están orientados específicamente a flujos de trabajo de desarrollo que requieren un control preciso sobre las velocidades de procesamiento de entrada de audio y los parámetros de generación de voz.

Ilustración editorial generada con IA; no es una fotografía documental.

Fuente: Microsoft targets ultra-realistic voice agents with its first streaming transcription model