Saltar al contenido
Volver

Microsoft lanza MAI-Transcribe-2-Streaming y MAI-Voice-2.1: la apuesta porque los agentes hablen en tiempo real

Microsoft AI liberó su primer modelo de transcripción streaming (60 idiomas, hipótesis en ~100ms) junto a dos modelos TTS. La voz se consolida como interfaz de agentes, y la latencia manda.

Nauta Lab
1 min

Microsoft lanza MAI-Transcribe-2-Streaming y MAI-Voice-2.1: la apuesta porque los agentes hablen en tiempo real

Mientras el resto pelea por benchmarks de razonamiento, Microsoft AI fue por un frente distinto: la voz en tiempo real. Hoy lanzó tres modelos nuevos: MAI-Transcribe-2-Streaming, su primer modelo de speech-to-text en modo streaming, junto a dos sistemas de texto-a-voz: MAI-Voice-2.1 y la variante de baja latencia MAI-Voice-2.1-Flash. El anuncio está en el blog de Microsoft AI.

Lo destacable del modelo de transcripción

  • 60 idiomas soportados, con detección continua de idioma: sigue conversaciones donde los hablantes cambian de idioma a mitad de la sesión sin reiniciar la transcripción.
  • Las hipótesis iniciales de transcripción aparecen en poco más de 100 milisegundos.
  • En su lanzamiento quedó primero en los benchmarks de Artificial Analysis tanto en exactitud de transcripción parcial como final.

Si alguna vez construiste algo con transcripción, sabes que “partial vs final” es la diferencia entre un subtítulo en vivo usable y una vergüenza. Que Microsoft lidere ambos rankings al debut no es poca cosa.

Por qué importa

La voz se está convirtiendo en la interfaz más importante para agentes de IA. Transcripción de baja latencia + razonamiento + generación de voz pueden hacer que un agente se sienta menos chatbot y más participante de una conversación en vivo. Las implicancias van directo a call centers, traducción, reuniones, accesibilidad, atención de clientes y computación hands-free.

Hay dos lecturas de fondo. Primera: los grandes labs están armando stacks multimodales completos propios, más allá de los modelos de texto. Segunda, y más práctica para developers: la latencia es tan decisiva como la calidad. Un agente de voz que se toma varios segundos en responder se siente inservible aunque el modelo de fondo sea brillante. 100ms no es un lujo técnico — es el requisito de entrada de esta categoría.

Los que arman pipelines de voz hoy tienen una opción nueva y con pedigree. A ver cómo le va contra los incumbentes especializados.


Compartir artículo:

Sigue leyendo

Noticias relacionadas

Más en IA →

Buscar en Ping Diario