O que é MAI-Transcribe-2-Streaming?
O MAI-Transcribe-2-Streaming é o primeiro modelo de fala para texto em streaming da Microsoft AI, lançado em 1º de outubro de 2026 junto com os modelos de voz MAI-Voice-2.1. Você envia o áudio como um fluxo contínuo e recebe transcrições parciais que se atualizam enquanto a pessoa fala, depois um resultado final para cada segmento. A Microsoft diz que o primeiro texto parcial chega pouco mais de 100 milissegundos depois do áudio.
Ele cobre 60 idiomas e detecta o idioma de forma automática e contínua, então quem fala pode trocar no meio da conversa. A Microsoft diz que ele estreou em primeiro lugar em precisão, tanto nas transcrições finais quanto nas parciais, no benchmark de streaming da Artificial Analysis, e que em seus próprios testes as palavras aparecem duas vezes mais rápido do que com o concorrente mais próximo.
Está em preview pública no Azure Speech, servido a partir de Sweden Central, Central US, East US 2 e Southeast Asia, e acessível por uma API WebSocket compatível com OpenAI Realtime ou pelo Azure Speech SDK. O preço de lançamento é de US$ 0,54 por hora de áudio até o fim de 2026.
MAI-Transcribe-2-Streaming vale a pena?
O MAI-Transcribe-2-Streaming é uma entrada séria na transcrição ao vivo, o trabalho por trás de legendas, agentes de voz e assistência em call centers. A Microsoft diz que ele está em primeiro em precisão no ranking de streaming da Artificial Analysis, tanto nas transcrições parciais quanto nas finais, e na fronteira entre precisão e latência ali.
A velocidade é a segunda promessa. O texto parcial chega em pouco mais de 100 milissegundos, e os testes da própria Microsoft com ditado e legendas mostram as palavras na tela duas vezes mais rápido que o concorrente mais próximo, que ela não nomeia. A Microsoft não publica taxas de erro por palavra no anúncio, então vale testar com o seu próprio áudio antes de trocar.
No preço, ele fica no meio. A US$ 0,54 por hora de áudio, cerca de US$ 0,009 por minuto, é mais barato que o gpt-live-transcribe da OpenAI, a US$ 0,017 por minuto, mas mais caro que o ElevenLabs Scribe v2 Realtime, a US$ 0,39 por hora, ou o streaming do Deepgram Nova-3, a US$ 0,0048 por minuto na promoção. A tarifa de US$ 0,54 é de lançamento e termina com 2026, e a Microsoft não disse o que vem depois.
A integração é fácil para equipes que já usam a Realtime API da OpenAI, porque a interface WebSocket é compatível, e o Speech SDK cuida de reconexões e novas tentativas. A cobertura de 60 idiomas com detecção contínua serve a call centers multilíngues, onde quem liga troca de idioma no meio da ligação.
As restrições são as de uma preview. A Microsoft diz que não há acordo de nível de serviço e não o recomenda para produção. Ele roda só a partir de quatro regiões, e o anúncio não menciona identificação de falantes. Nem o anúncio nem a documentação descrevem como o áudio é guardado, e os termos de preview do Azure permitem que recursos em preview sigam práticas de privacidade diferentes.
Onde ele se destaca
Um fornecedor de software para call centers que atende bancos europeus
Transcrever ligações ao vivo em vários idiomas para apoiar os atendentes
Envie o áudio das ligações a partir de Sweden Central pela Realtime API; a detecção contínua de idioma lida com quem troca de idioma, e 10.000 horas de ligações por mês custam cerca de US$ 5.400 na tarifa de lançamento.
A equipe de mídia de uma universidade
Colocar legendas ao vivo em aulas transmitidas pela internet
Use o Azure Speech SDK para enviar o áudio da aula e mostrar as legendas parciais à medida que chegam, cerca de 100 ms depois da fala, substituindo-as pelo texto final de cada segmento.
Uma desenvolvedora de um assistente de voz já construído sobre a Realtime API da OpenAI
Trocar por uma etapa de transcrição mais precisa sem reescrever o cliente
Aponte o cliente WebSocket existente para o Azure com o nome de modelo MAI-Transcribe-2-Streaming e compare a precisão em áudio gravado de usuários antes de mover o tráfego, dado o status de preview.
Antes de decidir
- Configuração
- Crie um recurso do Azure Speech ou do Foundry e conecte-se pela API WebSocket compatível com Realtime ou pelo Azure Speech SDK na versão 1.52.0 ou mais recente.
- Integrações
- Azure Speech SDK, uma API WebSocket compatível com OpenAI Realtime, Azure Voice Live, Microsoft Foundry, MAI Playground e Vercel, com o LiveKit anunciado como em breve.
- Dados e privacidade
- Não descrito no anúncio nem na documentação do modelo; os termos complementares de preview do Azure dizem que recursos em preview podem seguir práticas de privacidade diferentes das dos serviços com disponibilidade geral.
- Custo em escala
- Na tarifa de lançamento de US$ 0,54 por hora de áudio, 1.000 horas por mês custam US$ 540; o preço depois de 2026 não foi publicado.
- Limites
- Preview pública sem SLA; servido a partir de Sweden Central, Central US, East US 2 e Southeast Asia; 60 idiomas.
O que é bom
- Primeiro em precisão no benchmark de streaming da Artificial Analysis, segundo a Microsoft
- Transcrições parciais em pouco mais de 100 ms
- 60 idiomas com detecção automática contínua
- API compatível com OpenAI Realtime e Azure Speech SDK
O que não é
- Preview pública sem SLA; não recomendado para produção
- Os US$ 0,54 por hora são de lançamento e acabam com 2026
- Sem taxas de erro por palavra publicadas; identificação de falantes não mencionada
- Servido a partir de quatro regiões do Azure
Ideal para
Equipes que constroem legendas ao vivo, agentes de voz ou ferramentas de call center no Azure e querem a melhor precisão em streaming em muitos idiomas.
Alternativas ao MAI-Transcribe-2-Streaming
MAI-Transcribe-2-Streaming: perguntas frequentes
- MAI-Transcribe-2-Streaming vale a pena?
- O MAI-Transcribe-2-Streaming parece ser o modelo de transcrição ao vivo mais preciso que se pode comprar, a um preço intermediário que só vale até dezembro. Damos nota 4.1 de 5.
- Quanto custa MAI-Transcribe-2-Streaming?
- Preço de lançamento de US$ 0,54 por hora de áudio (cerca de US$ 0,009 por minuto) até o fim de 2026; a Microsoft não publicou o preço depois disso.
- Quais são as desvantagens de MAI-Transcribe-2-Streaming?
- Preview pública sem SLA; não recomendado para produção; os US$ 0,54 por hora são de lançamento e acabam com 2026; sem taxas de erro por palavra publicadas; identificação de falantes não mencionada; servido a partir de quatro regiões do Azure.
- Para quem MAI-Transcribe-2-Streaming é indicado?
- Equipes que constroem legendas ao vivo, agentes de voz ou ferramentas de call center no Azure e querem a melhor precisão em streaming em muitos idiomas.
- Quanto custa MAI-Transcribe-2-Streaming para uma equipe ou em produção?
- Na tarifa de lançamento de US$ 0,54 por hora de áudio, 1.000 horas por mês custam US$ 540; o preço depois de 2026 não foi publicado.
- MAI-Transcribe-2-Streaming é seguro para dados da empresa?
- Não descrito no anúncio nem na documentação do modelo; os termos complementares de preview do Azure dizem que recursos em preview podem seguir práticas de privacidade diferentes das dos serviços com disponibilidade geral.
- Quais são as melhores alternativas ao MAI-Transcribe-2-Streaming?
- As alternativas mais próximas que analisamos são Deepgram Nova-3, ElevenLabs Scribe v2, GPT Transcribe e Gemini 3.5 Transcribe.
Respostas verificadas em 6 de nov. de 2026.
Você faz o MAI-Transcribe-2-Streaming? Mostre esta nota no seu site
