¿Qué es MAI-Transcribe-2-Streaming?
MAI-Transcribe-2-Streaming es el primer modelo de voz a texto en streaming de Microsoft AI, lanzado el 1 de octubre de 2026 junto a los modelos de voz MAI-Voice-2.1. Envías el audio como un flujo continuo y recibes transcripciones parciales que se actualizan mientras habla la persona, y después un resultado final por cada segmento. Microsoft dice que el primer texto parcial llega algo más de 100 milisegundos después del audio.
Cubre 60 idiomas y detecta el idioma de forma automática y continua, así que quien habla puede cambiar a mitad de conversación. Microsoft dice que se estrenó en primer lugar en precisión, tanto en transcripciones finales como parciales, en el benchmark de streaming de Artificial Analysis, y que en sus propias pruebas las palabras aparecen el doble de rápido que con su competidor más cercano.
Está en preview pública en Azure Speech, servido desde Sweden Central, Central US, East US 2 y Southeast Asia, y se accede mediante una API WebSocket compatible con OpenAI Realtime o con el Azure Speech SDK. El precio de lanzamiento es de 0,54 $ por hora de audio hasta finales de 2026.
¿Merece la pena MAI-Transcribe-2-Streaming?
MAI-Transcribe-2-Streaming es una entrada seria en la transcripción en directo, la tarea que hay detrás de los subtítulos, los agentes de voz y la asistencia en centros de llamadas. Microsoft dice que ocupa el primer puesto en precisión en la clasificación de streaming de Artificial Analysis, tanto en transcripciones parciales como finales, y que está en la frontera de precisión frente a latencia de esa clasificación.
La velocidad es la segunda afirmación. El texto parcial llega en algo más de 100 milisegundos, y las propias pruebas de Microsoft con dictado y subtítulos muestran las palabras en pantalla el doble de rápido que el competidor más cercano, que no nombra. Microsoft no publica tasas de error por palabra en el anuncio, así que conviene probar con tu propio audio antes de cambiar.
En precio se sitúa en el medio. A 0,54 $ por hora de audio, unos 0,009 $ por minuto, es más barato que gpt-live-transcribe de OpenAI, a 0,017 $ por minuto, pero más caro que ElevenLabs Scribe v2 Realtime, a 0,39 $ por hora, o que el streaming de Deepgram Nova-3, a 0,0048 $ por minuto en promoción. La tarifa de 0,54 $ es de lanzamiento y acaba con 2026, y Microsoft no ha dicho qué vendrá después.
La integración es fácil para equipos que ya usan la Realtime API de OpenAI, porque la interfaz WebSocket es compatible, y el Speech SDK gestiona las reconexiones y los reintentos. La cobertura de 60 idiomas con detección continua encaja con centros de llamadas multilingües, donde quien llama cambia de idioma a mitad de la llamada.
Las restricciones son las de una preview. Microsoft dice que no hay acuerdo de nivel de servicio y no lo recomienda para producción. Funciona solo desde cuatro regiones, y el anuncio no menciona la identificación de hablantes. Ni el anuncio ni la documentación explican cómo se conserva el audio, y las condiciones de preview de Azure permiten que las funciones en preview sigan prácticas de privacidad distintas.
Dónde se gana su sitio
Un proveedor de software para centros de llamadas que trabaja con bancos europeos
Transcribir llamadas en directo en varios idiomas para asistir a los agentes
Envía el audio de las llamadas desde Sweden Central por la Realtime API; la detección continua de idioma gestiona a quienes cambian de idioma, y 10.000 horas de llamadas al mes cuestan unos 5.400 $ a la tarifa de lanzamiento.
El equipo audiovisual de una universidad
Añadir subtítulos en directo a clases emitidas por internet
Usa el Azure Speech SDK para enviar el audio de la clase y mostrar los subtítulos parciales a medida que llegan, unos 100 ms después de la voz, sustituyéndolos por el texto final de cada segmento.
Una desarrolladora de un asistente de voz ya creado sobre la Realtime API de OpenAI
Cambiar a una transcripción más precisa sin reescribir el cliente
Apunta el cliente WebSocket existente a Azure con el nombre de modelo MAI-Transcribe-2-Streaming y compara la precisión con audio grabado de usuarios antes de pasar tráfico, dado su estado de preview.
Antes de decidirte
- Puesta en marcha
- Crea un recurso de Azure Speech o de Foundry y conéctate por la API WebSocket compatible con Realtime o con el Azure Speech SDK versión 1.52.0 o posterior.
- Integraciones
- Azure Speech SDK, una API WebSocket compatible con OpenAI Realtime, Azure Voice Live, Microsoft Foundry, MAI Playground y Vercel, con LiveKit anunciado como próximamente.
- Datos y privacidad
- No se describe en el anuncio ni en la documentación del modelo; las condiciones complementarias de preview de Azure señalan que las funciones en preview pueden seguir prácticas de privacidad distintas de las de los servicios disponibles de forma general.
- Coste a escala
- A la tarifa de lanzamiento de 0,54 $ por hora de audio, 1.000 horas al mes cuestan 540 $; el precio después de 2026 no se ha publicado.
- Límites
- Preview pública sin SLA; servido desde Sweden Central, Central US, East US 2 y Southeast Asia; 60 idiomas.
Lo bueno
- Primero en precisión en el benchmark de streaming de Artificial Analysis, según Microsoft
- Transcripciones parciales en algo más de 100 ms
- 60 idiomas con detección automática continua
- API compatible con OpenAI Realtime más el Azure Speech SDK
Lo malo
- Preview pública sin SLA; no recomendado para producción
- Los 0,54 $ por hora son de lanzamiento y terminan con 2026
- Sin tasas de error por palabra publicadas; no se menciona la identificación de hablantes
- Servido desde cuatro regiones de Azure
Ideal para
Equipos que crean subtítulos en directo, agentes de voz o herramientas para centros de llamadas en Azure y quieren la mejor precisión en streaming en muchos idiomas.
Alternativas a MAI-Transcribe-2-Streaming
MAI-Transcribe-2-Streaming: preguntas frecuentes
- ¿Merece la pena MAI-Transcribe-2-Streaming?
- MAI-Transcribe-2-Streaming parece el modelo de transcripción en directo más preciso que se puede comprar, a un precio de gama media que solo dura hasta diciembre. Le damos un 4.1 sobre 5.
- ¿Cuánto cuesta MAI-Transcribe-2-Streaming?
- Precio de lanzamiento de 0,54 $ por hora de audio (unos 0,009 $ por minuto) hasta finales de 2026; Microsoft no ha publicado el precio posterior.
- ¿Qué inconvenientes tiene MAI-Transcribe-2-Streaming?
- Preview pública sin SLA; no recomendado para producción; los 0,54 $ por hora son de lanzamiento y terminan con 2026; sin tasas de error por palabra publicadas; no se menciona la identificación de hablantes; servido desde cuatro regiones de Azure.
- ¿Para quién es MAI-Transcribe-2-Streaming?
- Equipos que crean subtítulos en directo, agentes de voz o herramientas para centros de llamadas en Azure y quieren la mejor precisión en streaming en muchos idiomas.
- ¿Cuánto cuesta MAI-Transcribe-2-Streaming para un equipo o en producción?
- A la tarifa de lanzamiento de 0,54 $ por hora de audio, 1.000 horas al mes cuestan 540 $; el precio después de 2026 no se ha publicado.
- ¿Es MAI-Transcribe-2-Streaming seguro para los datos de la empresa?
- No se describe en el anuncio ni en la documentación del modelo; las condiciones complementarias de preview de Azure señalan que las funciones en preview pueden seguir prácticas de privacidad distintas de las de los servicios disponibles de forma general.
- ¿Cuáles son las mejores alternativas a MAI-Transcribe-2-Streaming?
- Las alternativas más cercanas que hemos analizado son Deepgram Nova-3, ElevenLabs Scribe v2, GPT Transcribe y Gemini 3.5 Transcribe.
Respuestas comprobadas el 6 nov 2026.
¿Desarrollas MAI-Transcribe-2-Streaming? Muestra esta nota en tu web
