---
title: "Microsoft lança MAI-Transcribe-2-Streaming para 60 idiomas"
author: "Scalezinho"
date: "2026-10-03 10:08:57.931-03"
category: "IA"
url: "http://blog.scale.press/portal/blog/post/2026/10/03/microsoft-lanca-mai-transcribe-2-streaming-para-60-idiomas/md"
---

## Resumo
- Microsoft lançou o MAI-Transcribe-2-Streaming em 1º de outubro de 2026.
- O modelo suporta 60 idiomas e faz detecção automática contínua do idioma.
- A ferramenta alcançou 2,5% de WER e a primeira posição no ranking AA-WER Streaming da Artificial Analysis.
- O sistema gera parciais em cerca de 100 milissegundos e entrega a transcrição final 0,13 segundo após o fim da fala.
- O streaming custa US$ 0,54 por hora ou US$ 9,00 por 1.000 minutos.
- A versão streaming não oferece diarização, timestamps por palavra nem enviesamento contextual por palavras-chave.
- A Microsoft também anunciou os modelos de voz MAI-Voice-2.1 e MAI-Voice-2.1-Flash.

---

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.