Microsoft lanza MAI-Transcribe-2: transcripción empresarial a 0,10 dólares la hora
Microsoft ha presentado MAI-Transcribe-2, una nueva versión de su modelo para convertir voz en texto. El dato que llama la atención es el precio de lanzamiento: 0,10 dólares por hora de audio hasta final de 2026. Pero para una empresa, el precio por sí solo no decide nada. La pregunta útil es si el sistema entiende tus grabaciones reales, encaja con tus procesos y cumple tus requisitos de privacidad.
TL;DR
- Microsoft anuncia MAI-Transcribe-2 con un precio promocional de 0,10 dólares por hora de audio hasta final de 2026.
- La compañía afirma que trabaja con 60 idiomas y que mejora velocidad y precisión frente a varios modelos rivales; son resultados de sus evaluaciones y conviene validarlos con audio propio.
- Incluye separación de hablantes, marcas de tiempo por palabra, adaptación a vocabulario específico y modos de transcripción literal o limpia.
- Para una pyme, el paso razonable no es migrar todo: es probar reuniones, llamadas y audios representativos, medir errores y revisar privacidad, integración y supervisión humana.
Qué ha cambiado desde MAI-Transcribe-1.5
Esta noticia no parte de cero. Microsoft lanzó MAI-Transcribe-1.5 en junio con 43 idiomas y adaptación a palabras clave. La nueva versión amplía la cobertura a 60 idiomas y añade funciones que afectan directamente a la utilidad del texto resultante.
| Cambio | MAI-Transcribe-1.5 | MAI-Transcribe-2 | Por qué importa |
|---|---|---|---|
| Idiomas | 43 | 60 | Permite concentrar más mercados en un mismo proveedor, aunque debes probar cada idioma que uses. |
| Hablantes | No destacado en el anuncio anterior | Diarización incluida | Separa quién dijo qué en reuniones y llamadas. |
| Marcas de tiempo | No destacadas en el anuncio anterior | Por palabra | Facilita buscar, editar y enlazar el texto con el audio o el vídeo. |
| Estilo de salida | Transcripción general | Literal o limpia | Permite conservar muletillas y falsos comienzos, o quitarlos para mejorar la lectura. |
| Precio anunciado | 0,36 dólares por hora | 0,10 dólares por hora | El nuevo importe es una oferta temporal hasta final de 2026, no una tarifa permanente confirmada. |
También incorpora detección automática del idioma, cambio de idioma dentro de una misma conversación y funcionamiento orientado a grabaciones con ruido. La adaptación a términos específicos puede ayudar con nombres propios, referencias de producto, abreviaturas o vocabulario sectorial.
Velocidad y precisión: qué afirma Microsoft y qué falta comprobar
Microsoft sostiene que MAI-Transcribe-2 es hasta diez veces más rápido que GPT-Transcribe, siete veces más rápido que Scribe v2 de ElevenLabs y cinco veces más rápido que Gemini 3.5 Transcribe. La empresa atribuye esas comparaciones a evaluaciones de Artificial Analysis.
También comunica un 5,2 % de tasa media de error de palabra en FLEURS para 60 idiomas, el primer puesto de ese benchmark y el segundo puesto en la clasificación de error de palabra de Artificial Analysis. Estos resultados sirven para orientar una primera selección, pero no sustituyen una prueba con tus datos.
FLEURS utiliza habla leída y multilingüe. Tus grabaciones pueden contener interrupciones, acentos, nombres propios, teléfonos con mala cobertura o varias personas hablando a la vez. Un modelo puede obtener un buen promedio y fallar justo en el idioma, el canal o el vocabulario que más te importa.
Hay otra cautela: el anuncio oficial presenta el precio de 0,10 dólares como una oferta limitada hasta final de año. Si vas a presupuestar un servicio estable, pide la tarifa posterior y calcula también almacenamiento, revisión humana, integración y tratamiento de datos.
Dónde puede ahorrar trabajo de verdad
La transcripción aporta valor cuando forma parte de un proceso, no cuando termina en un documento olvidado. Estos son tres usos razonables para una empresa.
Reuniones con acuerdos y tareas
La diarización y las marcas de tiempo pueden convertir una grabación en una base más manejable para localizar decisiones, preparar un resumen y proponer tareas. Antes de automatizar el envío al equipo, conviene que una persona valide nombres, cifras, compromisos y responsables.
Llamadas comerciales y de atención
El texto puede ayudar a localizar motivos de contacto, objeciones frecuentes y próximos pasos. Si quieres conectar este tipo de flujo con atención telefónica, revisa cómo encaja con una solución de chatbots y voicebots para empresas. Transcribir no equivale a comprender correctamente ni autoriza a tomar decisiones automáticas sobre un cliente.
Audio largo y documentación interna
Entrevistas, sesiones formativas o grabaciones de operaciones se pueden transformar en material consultable. Es un uso cercano al que explicamos al analizar herramientas para convertir audio largo en texto: la parte importante llega después, cuando clasificas, buscas y conectas la información con el sistema adecuado.
Lo que no está resuelto en el anuncio
Microsoft indica que el modelo se puede probar a través de Microsoft Foundry, MAI Playground y OpenRouter. Sin embargo, el anuncio no detalla una tarifa permanente después de 2026 ni ofrece información suficiente para decidir sobre residencia de datos, retención, uso del audio para entrenamiento o calidad de la separación de hablantes.
Tampoco describe un modo de transcripción en tiempo real. Eso importa si buscas subtítulos en directo o un agente de voz que responda durante una llamada. La transcripción por lotes y la conversación en tiempo real son problemas distintos. Para entender esa diferencia, puedes consultar nuestra guía sobre sistemas de voz para empresas.
En sectores con información sensible, no basta con que el modelo reconozca bien las palabras. Hay que definir consentimiento, acceso, conservación, borrado, revisión y escalado. Una precisión media de benchmark no elimina el riesgo de atribuir una frase a la persona equivocada o de registrar un dato incorrecto.
Cómo probar MAI-Transcribe-2 sin complicarte
- Elige una muestra realista. Incluye audio limpio, llamadas difíciles, varios hablantes y los idiomas que utilizas.
- Define qué significa “bien”. Mide errores de palabras, nombres, cifras, separación de hablantes y tiempo de revisión.
- Compara el proceso completo. Añade precio del modelo, integración, almacenamiento, supervisión y correcciones.
- Revisa privacidad y control. Aclara dónde se procesa el audio, cuánto tiempo se conserva y quién puede acceder.
- Empieza con un flujo acotado. Una clase de reunión o llamada permite aprender antes de ampliar el alcance.
Este enfoque evita cambiar de proveedor por un titular. Si la mejora se confirma en tus grabaciones y reduce trabajo manual sin añadir riesgo, entonces tiene sentido integrarla. Si no, el precio más bajo no compensa una revisión más larga.
Qué significa para el mercado
El lanzamiento aumenta la presión sobre OpenAI, Google, ElevenLabs y los especialistas en reconocimiento de voz. Microsoft no solo compite en modelos generalistas: está construyendo herramientas propias para tareas concretas y distribuyéndolas desde su ecosistema.
Para una empresa, esa competencia puede ampliar opciones y reducir costes de entrada. También refuerza una idea práctica: no diseñes un proceso crítico alrededor de una única promesa comercial. Separa la capa de transcripción del resto del flujo para poder comparar y sustituir modelos sin rehacer toda la solución.
Preguntas frecuentes sobre MAI-Transcribe-2
¿Cuánto cuesta MAI-Transcribe-2?
Microsoft anuncia un precio de 0,10 dólares por hora de audio como oferta limitada hasta final de 2026. La compañía no confirma en el anuncio cuál será la tarifa posterior.
¿En qué idiomas funciona?
Según Microsoft, trabaja con 60 idiomas y detecta automáticamente el idioma hablado. La empresa también destaca el cambio entre idiomas dentro de una conversación. Conviene probar de forma específica los idiomas y acentos de tu negocio.
¿Está disponible para usarlo en producción?
Microsoft indica que está disponible para probar mediante Microsoft Foundry, MAI Playground y OpenRouter. Antes de llevarlo a producción, confirma las condiciones concretas del canal elegido, la tarifa aplicable y los requisitos de datos.
¿Sirve para transcribir llamadas en tiempo real?
El anuncio se centra en procesamiento por lotes y audio largo, y no detalla un modo de streaming. Si necesitas respuesta durante una conversación, valida expresamente la latencia y la compatibilidad en tiempo real.
¿Es mejor que OpenAI, Google o ElevenLabs?
Microsoft afirma que ofrece más velocidad y mejores resultados en las evaluaciones citadas. Eso no garantiza que sea superior con tu audio, idioma o vocabulario. La comparación útil es una prueba controlada con la misma muestra y los mismos criterios.
Primero tu empresa. Después la tecnología que encaje. Si quieres convertir reuniones o llamadas en un flujo útil, podemos ayudarte a diseñar una prueba pequeña, medirla y decidir con datos. Haz el diagnóstico de inteligencia artificial.
Fuentes: anuncio oficial de Microsoft AI sobre MAI-Transcribe-2 y análisis original de VentureBeat.
