AitopkitMicrosoft AI lanzó MAI-Transcribe-2-Streaming el 1 de octubre de 2026 — su primer modelo de voz a texto en tiempo real — junto a dos nuevos modelos de texto a voz, MAI-Voice-2.1 y el más rápido MAI-Voice-2.1-Flash. Los tres están disponibles a través de Microsoft Foundry para desarrolladores que construyen agentes de voz conversacionales.
La especificación titular es la latencia: el modelo de streaming transcribe en 60 idiomas con detección de idioma automática y continua, y emite sus primeras hipótesis de palabras («parciales») apenas más de 100 milisegundos después de que llega el audio — revisándolas a medida que llega contexto y consolidando una transcripción final estable. Microsoft dice que pruebas internas muestran palabras apareciendo unas 2 veces más rápido que su competidor más cercano en dictado en tiempo real y subtítulos en vivo, permitiendo que los agentes de voz empiecen a razonar a mitad de frase. En la tabla de streaming de Artificial Analysis, el modelo ocupa el n.º 1 tanto en precisión de transcripción final como parcial (2.5 % de tasa de error de palabra) entre 38 modelos.
Microsoft también le puso un precio agresivo para los primeros usuarios: $0.54 introductorios por hora de audio hasta fin de año (los precios cambian a menudo: consulta el sitio oficial). Los modelos están en vista previa pública, así que no tienen acuerdo de nivel de servicio y no se recomiendan para cargas de producción hasta la disponibilidad general.