Microsoft expande família MAI com modelos de transcrição em streaming e voz

A Microsoft Corp. expandiu a sua família de modelos de inteligência artificial MAI com o lançamento de um modelo de transcrição em streaming e dois modelos de conversão de texto em fala, com o objetivo de fornecer aos desenvolvedores a infraestrutura necessária para construir agentes de voz naturais e de baixa latência.

Transcrição em tempo real via streaming

O principal lançamento é o MAI-Transcribe-2-Streaming, que recebe áudio contínuo de fala humana por meio de um WebSocket e atualiza as transcrições dinamicamente enquanto o usuário fala. De acordo com a Microsoft, o modelo fornece suas hipóteses iniciais de transcrição em uma média de 320 milissegundos, embora a qualidade da rede e a geração de IA posterior possam afetar o tempo total de resposta. Listado no Vercel AI Gateway a US$ 0,54 por hora de áudio, ele oferece suporte a mais de 60 idiomas com detecção automática.

Esta variante de streaming é mais cara do que o modelo padrão MAI-Transcribe-2 lançado no mês anterior, que custa US$ 0,10 por hora de áudio. A versão regular aguarda que o falante termine totalmente antes de iniciar o processamento, enquanto a edição de streaming executa cálculos provisórios contínuos.

Conversão de texto em fala e arquitetura de agentes

Para gerenciar respostas audíveis, a Microsoft introduziu o MAI-Voice-2.1, otimizado para expressividade e fidelidade, e o MAI-Voice-2.1-Flash, ajustado para menor latência e custo reduzido. Ambos suportam 23 idiomas e estão precificados no Vercel AI Gateway a US$ 22 e US$ 15 por milhão de caracteres, respectivamente.

Esses componentes operam em conjunto com o modelo de raciocínio da Microsoft, o MAI-Thinking-1, que processa o texto transcrito para determinar as ações do agente. Essa abordagem modular permite que os desenvolvedores gerenciem a qualidade, a latência e as despesas operacionais do agente de voz de forma independente entre as três camadas.

Mudança estratégica para infraestrutura própria

Os lançamentos refletem um esforço contínuo da Microsoft para reduzir sua dependência de modelos de ponta fornecidos por parceiros externos, como OpenAI e Anthropic. Reportagens anteriores destacaram preocupações com custos levantadas pelo diretor executivo de IA da Microsoft, Mustafa Suleyman, em relação a modelos externos, indicando uma eventual migração de sistemas como o Copilot para a arquitetura interna de modelos MAI.

Disponibilidade e limitações de desempenho

O MAI-Transcribe-2-Streaming e os novos modelos de voz já estão acessíveis por meio do Vercel AI Gateway. A Microsoft alerta que as velocidades de resposta de transcrição prometidas são médias e não podem ser garantidas em todos os ambientes de rede ou cenários de implantação.

Supervisão editorial

Esta cobertura resume os anúncios oficiais de modelos e divulgações de preços da Microsoft, sem testes independentes ou verificação de reivindicações de desempenho.

Integração técnica

Desenvolvedores podem integrar esses modelos por meio de protocolos de gateway padrão para construir fluxos conversacionais em tempo real que combinam reconhecimento de fala, raciocínio por LLM e saída de voz sintetizada.

Contexto de mercado

A expansão da família MAI reforça uma tendência mais ampla do setor em direção a uma infraestrutura de voz especializada e com custos controlados, voltada para aplicações conversacionais interativas.

Escopo operacional

Os novos modelos atendem especificamente a fluxos de trabalho de desenvolvedores que exigem controle detalhado sobre as velocidades de processamento de áudio de entrada e parâmetros de geração de fala.

Ilustração editorial gerada por IA; não é uma fotografia documental.

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