Un asistente de voz no debería obligarte a terminar una frase y esperar unos segundos para saber si te ha entendido. Ese es el problema al que apuntan los tres nuevos modelos de audio de Microsoft, anunciados el 1 de octubre: uno convierte la conversación en texto mientras ocurre y otros dos generan la voz de respuesta.
La propuesta combina MAI-Transcribe-2-Streaming con MAI-Voice-2.1 y su variante Flash. Tiene aplicaciones claras en subtítulos, dictado, tutorías y atención al cliente. También conviene distinguir las piezas: transcribir deprisa no significa que un asistente completo pueda resolver cualquier consulta en ese mismo tiempo.
La transcripción empieza antes de que acabes de hablar
Según el anuncio de Microsoft, MAI-Transcribe-2-Streaming admite 60 idiomas y detecta automáticamente los cambios de lengua. Devuelve sus primeras hipótesis de texto poco más de 100 milisegundos después de recibir audio y las revisa cuando llega más contexto. El precio introductorio es de 0,54 dólares por hora de audio hasta finales de 2026.
Las palabras parciales tienen una utilidad concreta: permiten empezar a mostrar subtítulos o preparar una acción sin esperar una frase completa. Si alguien dice «necesito cambiar la cita del…», un sistema ya puede identificar que se trata de una gestión del calendario. Todavía tendrá que escuchar el resto para saber qué cita y qué fecha quiere la persona.
Esta diferencia importa al leer las cifras de velocidad. La primera transcripción puede corregirse después; no es una respuesta definitiva a lo que estás pidiendo. Tampoco incluye necesariamente el tiempo de consultar una base de datos, elegir una acción o generar la contestación de voz. Un asistente reúne varios pasos, y la experiencia depende del conjunto.
Una misma voz en 23 idiomas, incluido el español
MAI-Voice-2.1 convierte texto en voz y amplía la familia a 23 idiomas y 26 variantes regionales. Microsoft plantea mantener la identidad de una voz cuando cambia el idioma. Su ficha de producto incluye español de España y de México, y publica una tarifa de 22 dólares por millón de caracteres.
Microsoft también publica una comparación de preferencias de escucha entre ambas versiones en su ficha. Es una evaluación del proveedor, que debe distinguirse de una prueba independiente en una aplicación propia.
La versión MAI-Voice-2.1-Flash comparte los idiomas y cuesta 15 dólares por millón de caracteres. Microsoft la orienta a interacciones en las que la espera pesa más, mientras reserva la versión estándar para aplicaciones que priorizan fidelidad y expresión. Son precios de uso para desarrolladores: no una nueva cuota de Copilot ni una promesa de llamadas ilimitadas.
Para un servicio que trabaja en varios países, la continuidad de voz puede simplificar una experiencia que ahora cambia de personalidad cada vez que cambia de idioma. Para quien utiliza el servicio, la pregunta más interesante es otra: si entiende bien nombres, interrupciones y expresiones locales. Esa comprobación necesita ejemplos reales en el idioma de uso.
Un ejemplo anterior de estas aplicaciones es Ode, presentado por Microsoft en julio: una experiencia de voz que conversa sobre cómo te sientes y recomienda poemas. Ese vídeo muestra el uso de modelos MAI de voz y transcripción; no es una prueba de las nuevas versiones.
Acceso en pruebas y voces que requieren consentimiento
La documentación de Azure Speech sobre MAI Voice sitúa estos modelos en versión preliminar pública. La clonación instantánea de una voz tiene un acceso específico y exige autorización del hablante. Que una tecnología pueda imitar una voz a partir de una muestra breve no significa que se permita utilizar la de cualquier persona.
También la transcripción en streaming está en versión preliminar. La documentación advierte de las condiciones propias de esta fase, que todavía no ofrece las garantías de un servicio de producción con acuerdo de nivel de servicio.
Microsoft ofrece acceso a través de sus herramientas para desarrolladores y de MAI Playground. En el anuncio presenta además Chatter, una demostración de conversación en directo. La disponibilidad de una demo y la integración estable en una aplicación comercial siguen siendo dos cosas distintas.
Qué conviene probar antes de cambiar de herramienta
Una conversación convincente debe sobrevivir a algo más que una frase cuidadosamente preparada. Merece la pena comprobar qué pasa con dos personas hablando a la vez, una palabra mal pronunciada, ruido de fondo o un cambio de idioma a mitad de una consulta. También hay que medir el coste del uso completo, no solo el precio de una de sus piezas.
La novedad de Microsoft resulta especialmente útil para quien construye servicios de voz: amplía las opciones de escucha y respuesta, con español incluido. Para el usuario final, el avance se notará cuando esas piezas lleguen a productos que escuchen mejor, interrumpan menos y sepan pedir una aclaración cuando la necesiten.
La conversación por vídeo añade otra dimensión a ese reto: Griffin, de Tavus, también busca interpretar gestos mientras habla con una persona.