✨︎ Resumen (TL;DR):
- Microsoft AI lanzó MAI-Transcribe-2 el 3 de septiembre de 2026 a 10 centavos de dólar por hora, 72% menos que MAI-Transcribe-1.
- Artificial Analysis lo ubicó segundo en precisión, con 2.0% de error, y segundo en velocidad; StepAudio 2.5 ASR encabeza el precio con $0.37 por 1,000 minutos.
- Azure lo clasifica como vista previa pública, sin acuerdo de nivel de servicio y no recomendado para cargas de producción; la oferta termina al cierre de 2026.
Microsoft AI lanzó el jueves 3 de septiembre de 2026 MAI-Transcribe-2, un modelo de reconocimiento de voz que cuesta 10 centavos de dólar por hora de audio, 72% menos que la primera versión de abril. La empresa lo presentó como “el más rápido, el más preciso y el más barato del mundo”, pero Artificial Analysis lo coloca segundo en precisión y velocidad, y por detrás de diez modelos más baratos. Azure, además, lo mantiene en vista previa pública, sin acuerdo de nivel de servicio y sin recomendación para cargas de producción.
MAI-Transcribe-2 es un modelo de reconocimiento de voz que transcribe audio por lotes y soporta 60 idiomas en esta versión.
El titular de Microsoft no coincide con la tabla
El comunicado admite una parte del cuadro: MAI-Transcribe-2 queda segundo en el índice de tasa de error de Artificial Analysis. No dice quién ocupa el primer lugar ni qué ocurre con las otras dos afirmaciones.
El ranking de transcripción no continua de Artificial Analysis, el evaluador independiente que Microsoft enlazó, consultado el 3 de septiembre de 2026, queda así:
- Precisión: Fun-Realtime-ASR-preview ocupa el primer lugar con 1.7% de palabras mal transcritas. MAI-Transcribe-2 queda segundo con 2.0%.
- Velocidad: Nova-3, de Deepgram, encabeza la tabla con un factor de 606.1. MAI-Transcribe-2 aparece segundo con 410.7.
- Precio: StepAudio 2.5 ASR lidera con $0.37 por cada 1,000 minutos. MAI-Transcribe-2 marca $1.67 y queda detrás de diez modelos más baratos.
Con esta tabla, el modelo de Microsoft ocupa el segundo lugar en dos métricas, pero no el primero en ninguna de las tres categorías que menciona el anuncio.
Para sostener el reclamo de precisión, Microsoft usa FLEURS, una prueba distinta. FLEURS es un banco de pruebas multilingüe que investigadores de Google publicaron en 2022 y que usa hablantes nativos para leer frases. Microsoft se declara primero en 60 idiomas dentro de esa prueba.
Las cifras de error, sin embargo, cambiaron al ampliar la cobertura. En junio, con 43 idiomas, Microsoft reportaba una tasa media de error de 3.7%; ahora reporta 5.2% sobre 60 idiomas. VentureBeat atribuye la subida a que el promedio incorpora lenguas con menos recursos, donde todos los modelos fallan más, y recomienda pedir el desglose por idioma. Microsoft no lo publica.
Artificial Analysis mide otra cosa: la mitad de su ponderación corresponde a conversaciones simuladas de agentes y el resto se reparte entre discursos del Parlamento Europeo y llamadas de resultados corporativos. El primer lugar en FLEURS y el segundo puesto en Artificial Analysis provienen de exámenes distintos. El comunicado eligió el titular con la prueba donde Microsoft aparece primero.
La velocidad tampoco es un número absoluto. Artificial Analysis la mide con archivos de 10 minutos y advierte que el resultado puede cambiar con otras duraciones. En las comparaciones que sí incluye el comunicado, MAI-Transcribe-2 aparece unas 10 veces más rápido que GPT-Transcribe de OpenAI, unas 7 veces más que Scribe v2 de ElevenLabs y unas 5 veces más que Gemini 3.5 Transcribe.
Esos tres rivales aparecen nombrados por Microsoft. Nova-3, el modelo de Deepgram que encabeza la tabla, no aparece en esa lista.
El recorte de precio sí es real, pero termina en 2026
La reducción de precio sí coincide con las cifras anunciadas. La secuencia de versiones queda así:
- 2 de abril de 2026: MAI-Transcribe-1 debutó con 25 idiomas y un precio de 36 centavos de dólar por hora.
- 2 de junio de 2026: MAI-Transcribe-1.5 llegó con 43 idiomas.
- 3 de septiembre de 2026: MAI-Transcribe-2 amplió la cobertura a 60 idiomas y bajó a 10 centavos de dólar por hora.
Entre la primera y la segunda versión transcurrieron cinco meses. El precio pasó de 36 a 10 centavos, una reducción de 72%. Para una empresa que procesa 100,000 horas de audio de un centro de llamadas al año, el cálculo de VentureBeat baja de $36,000 a $10,000.
Ese precio tiene fecha de caducidad. Microsoft lo describe como una oferta por tiempo limitado que termina al cierre de 2026, pero no publica cuánto cobrará después. La tarifa para esas mismas horas en enero de 2027 todavía no está disponible.
El margen que explica el descuento también aparece en un reporte de VentureBeat. En abril, Suleyman, director ejecutivo de Microsoft AI, contó a The Verge que el primer modelo corría a la mitad del costo de GPU de los otros sistemas punteros y atribuyó ese resultado a un equipo de 10 personas liberado de la burocracia interna.
Microsoft es dueña de Teams, Nuance y los servicios de voz de Azure. Con ese portafolio, cada hora de audio que mueve a un modelo propio es una hora que deja de pagarle a otro proveedor.
Azure lo deja en vista previa y fuera de producción
La página técnica de MAI-Transcribe en Microsoft Learn, fechada el 3 de septiembre de 2026, agrega una advertencia que no aparece en el anuncio. La función está en vista previa pública, se ofrece sin acuerdo de nivel de servicio, no se recomienda para cargas de producción y algunas capacidades pueden no estar soportadas o llegar limitadas.
La misma página marca MAI-Transcribe-1 como obsoleto el 20 de agosto de 2026, menos de cinco meses después de su estreno. El documento también fija límites operativos: admite archivos de menos de 300 MB en formatos WAV, MP3 o FLAC, exige una suscripción de Azure y requiere un recurso de Microsoft Foundry para Speech.
La lista de palabras clave que Microsoft presenta como apoyo para vocabulario médico o legal funciona, según la documentación, como una pista. No fuerza al modelo a producir una palabra específica.
Ni el anuncio ni la documentación mencionan la transcripción en tiempo real, que es la que necesitan los agentes de voz y el subtitulado en vivo. El comunicado habla de rendimiento por lotes y audio largo. Artificial Analysis mantiene un ranking aparte para el modo en tiempo real.
El gallego entra y el spanglish se maneja solo
Para el mundo hispanohablante, el cambio no está en el español. MAI-Transcribe ya lo cubría desde la versión 1.5. La novedad aparece en dos funciones concretas.
La primera es el gallego, que entra por primera vez junto con el afrikáans, el hebreo, el urdu y el cantonés, entre los 17 idiomas que suma esta versión.
La segunda es el cambio de código. La documentación indica que el modelo pasa automáticamente de un idioma a otro a mitad de una frase, sin un parámetro que configurar. El texto nombra dos casos: el hinglish y el spanglish.
VentureBeat interpreta esa mención como una señal para India y la comunidad hispana de Estados Unidos, donde una llamada de atención al cliente puede cambiar de idioma una docena de veces. El escenario también encaja con un centro de contacto que atiende Tijuana y San Diego con la misma plantilla.
Para quien procesa audio en volumen, la cuenta inmediata es clara: 10 centavos por hora hasta el cierre de 2026. Lo que Microsoft todavía no publica es cuánto costarán esas mismas horas en enero de 2027 ni cuándo MAI-Transcribe-2 saldrá de vista previa.
La tabla citada por la propia empresa lo deja en segundo lugar en precisión y velocidad, mientras Azure todavía pide tratarlo como una función de prueba, no de producción.
