Em 1º de outubro de 2026, a Microsoft AI lançou o MAI-Transcribe-2-Streaming, modelo voltado à transcrição de áudio em tempo real para agentes de voz. A ferramenta oferece suporte a 60 idiomas, identifica automaticamente o idioma durante a conversa e alcançou a primeira posição no ranking de precisão da Artificial Analysis, com taxa de erro de palavras de 2,5%. O sistema também foi projetado para entregar hipóteses iniciais em cerca de 100 milissegundos e o texto final 0,13 segundo depois do fim da fala, colocando velocidade e precisão no centro do anúncio.
Precisão medida em tempo real
O primeiro indicador do lançamento é o resultado obtido na categoria AA-WER Streaming, da Artificial Analysis. O MAI-Transcribe-2-Streaming registrou 2,5% de WER, sigla usada para a taxa de erro de palavras, e ficou na primeira posição do ranking citado pela Microsoft. O dado se refere ao desempenho do modelo em transcrição contínua, modalidade na qual o sistema precisa acompanhar a fala enquanto ela acontece, em vez de esperar o encerramento do arquivo de áudio para processá-lo.
Na comparação divulgada pela Artificial Analysis, o resultado da Microsoft ficou à frente do Grok Voice Transcribe 2.0, que registrou 2,7% de WER, e do ElevenLabs Scribe v2 Realtime, com 3,6%. A publicação também informa que o tempo para obter a transcrição final chega a 0,13 segundo depois do fim da fala. Esses números ajudam a separar duas características do produto: a precisão medida pelo ranking e a velocidade necessária para uma interação por voz sem uma espera prolongada.
Baixa latência e suporte a 60 idiomas
A velocidade aparece desde o primeiro texto produzido pelo modelo. O MAI-Transcribe-2-Streaming gera parciais, que são hipóteses iniciais da fala, em aproximadamente 100 milissegundos. A transcrição final chega 0,13 segundo após a pessoa parar de falar, uma combinação voltada a agentes de voz que precisam responder durante uma conversa. Na prática, o sistema trabalha com uma versão provisória e depois entrega o resultado final, mantendo o foco na conversão imediata de áudio em texto.
Além da latência, o modelo foi lançado com suporte a 60 idiomas e detecção automática contínua do idioma. Isso permite que a identificação acompanhe a conversa sem depender de uma seleção manual feita antes de cada interação. A característica foi apresentada pela Microsoft como parte da proposta para agentes de voz multilíngues. Para fluxos de conteúdo que recebem entrevistas, chamadas ou outros áudios, a combinação entre identificação automática e resposta rápida define o espaço de uso anunciado para a ferramenta.
Preço do streaming e diferenças técnicas
O custo informado pela Microsoft para o streaming é de US$ 0,54 por hora de áudio. A mesma referência apresenta o valor de US$ 9,00 para 1.000 minutos de streaming, métrica usada por serviços de transcrição para comparar o gasto de processamento em volumes maiores. O preço é específico da modalidade em tempo real e não deve ser confundido com o da versão convencional do modelo, que processa o áudio sem a entrega contínua de parciais.
Uma análise independente da ExplainX aponta que o preço de US$ 9,00 por 1.000 minutos coloca o modelo em faixa semelhante à do Gemini 3.5 Transcribe Live e acima de alternativas como o serviço da ElevenLabs. O texto também contesta a afirmação de que o MAI-Transcribe-2-Streaming seria 60% mais barato que concorrentes diretos. O dado cria uma leitura mais precisa do lançamento: a Microsoft combina uma taxa de erro baixa com um custo que precisa ser avaliado conforme o volume e a necessidade de resposta em tempo real.
O que a versão streaming não oferece
A página técnica do produto mostra que a versão de streaming prioriza a baixa latência e não reúne todos os recursos da versão não streaming. O MAI-Transcribe-2-Streaming não oferece diarização, timestamps no nível de cada palavra nem enviesamento contextual por palavras-chave. Esses recursos podem ser relevantes em fluxos que precisam separar falantes, marcar cada trecho do áudio ou orientar o reconhecimento para termos específicos.
A diferença de preço acompanha essa distinção de proposta. O MAI-Transcribe-2 não streaming custa US$ 0,10 por hora, enquanto a versão streaming custa US$ 0,54 por hora. A escolha, portanto, envolve mais do que comparar valores: é preciso definir se a prioridade está na conversão imediata, com parciais durante a fala, ou em recursos adicionais para trabalhar o áudio depois do processamento.
Aplicação em fluxos de conteúdo
Para quem trabalha com produção editorial, a novidade oferece uma referência concreta sobre onde a transcrição em tempo real se encaixa. No fluxo do próprio portal, o ScalePress é usado para planejar, gerar e publicar conteúdos a partir de fontes estruturadas. Um modelo que entrega texto enquanto o áudio acontece pode funcionar como uma etapa de entrada para rotinas que dependem de entrevistas, reuniões ou conversas, embora o anúncio da Microsoft não informe integração direta entre os dois produtos.
A utilidade prática depende dos requisitos de cada operação. Uma equipe que precisa de resposta rápida pode priorizar as parciais em cerca de 100 milissegundos; outra que necessita identificar falantes ou aplicar palavras-chave específicas terá de considerar as limitações da versão streaming. Essa separação torna os dados de preço, latência e recursos mais úteis para avaliar a ferramenta do que uma comparação baseada apenas na posição do ranking.
Modelos de voz anunciados no mesmo pacote
O comunicado da Microsoft também apresentou os modelos de voz MAI-Voice-2.1 e MAI-Voice-2.1-Flash. Eles aparecem associados à criação de agentes conversacionais multilíngues, enquanto o MAI-Transcribe-2-Streaming cuida da conversão da fala em texto. A empresa posicionou os lançamentos como partes de uma suíte de voz, mas os dados de precisão, latência e preço divulgados com mais detalhes estão concentrados no modelo de transcrição.
O próximo passo para avaliar o MAI-Transcribe-2-Streaming é comparar o custo de streaming com a necessidade real de resposta imediata. A especificação mais clara do lançamento é a combinação entre 2,5% de WER, suporte a 60 idiomas e transcrição final em 0,13 segundo, acompanhada de um preço maior que o da versão não streaming. Para redações e equipes de conteúdo, essa relação define se a prioridade está na velocidade da conversa ou no conjunto mais amplo de recursos para edição posterior.