Qué anunció Microsoft
La división Microsoft AI publicó el 1 de octubre, en su blog Tech Community, tres modelos de la familia MAI:
- MAI-Transcribe-2-Streaming: convierte la voz en texto a medida que llega el audio, en 60 idiomas y con detección automática del idioma. Entrega una primera versión del texto en pocos cientos de milisegundos y la corrige hasta fijar la transcripción cuando la persona termina de hablar. Es el primer modelo de transcripción en streaming de Microsoft.
- MAI-Voice-2.1: modelo de texto a voz que Microsoft describe como el más expresivo que ha hecho, en 23 idiomas, para casos en los que la calidad de la voz es lo principal.
- MAI-Voice-2.1-Flash: versión optimizada para responder rápido y atender grandes volúmenes, con los mismos idiomas.
Naomi Moneypenny, directora de desarrollo de producto de Microsoft Foundry Models, explicó que juntos dan a los desarrolladores más opciones para construir experiencias de voz naturales, y que transcribir mientras la persona habla importa cuando una aplicación necesita actuar en ese momento. Entre los usos mencionados están los agentes de servicio al cliente, los asistentes multilingües y los subtítulos en vivo.
Velocidad, precios y disponibilidad
Según Unite.AI, Microsoft asegura que su modelo de transcripción ocupa el primer lugar en precisión en la tabla de transcripción en streaming de Artificial Analysis, y que el modelo Flash genera audio con una latencia de unos 150 milisegundos. SiliconANGLE, por su parte, reporta un promedio de unos 320 milisegundos para la primera hipótesis de texto y aclara que Microsoft no garantiza esa cifra en todos los escenarios, porque la red y el modelo que genera la respuesta también suman tiempo. Son datos del fabricante, no pruebas independientes.
Los precios publicados son:
- MAI-Transcribe-2-Streaming: 0,54 dólares por hora de audio, tarifa de lanzamiento hasta finales de 2026.
- MAI-Voice-2.1: 22 dólares por millón de caracteres.
- MAI-Voice-2.1-Flash: 15 dólares por millón de caracteres.
Los tres modelos están en Microsoft Foundry, MAI Playground, Vercel y Azure Voice Live; los de voz también en OpenRouter. Ambos modelos de voz permiten clonar una voz a partir de unos segundos de audio, con controles de consentimiento incorporados, según Microsoft.
Por qué importa: la carrera por el agente de voz que no hace esperar
Un agente de voz con IA funciona como una cadena de tres pasos: escuchar (pasar la voz a texto), pensar (un modelo de lenguaje decide qué responder) y hablar (convertir la respuesta en voz). Cada paso añade demora, y en una llamada telefónica unos pocos segundos de silencio bastan para que el cliente sienta que habla con una máquina torpe. Unite.AI resume la estrategia de Microsoft como «recuperar tiempo en ambos extremos» del ciclo: transcribir antes de que la persona termine y responder con una voz rápida.
SiliconANGLE señala que al separar los modelos de escuchar, razonar y hablar, los desarrolladores pueden controlar por aparte la calidad, la demora y el costo. Con este anuncio, Microsoft compite de forma más directa con proveedores especializados de voz y de plataformas de agentes en el negocio de la atención telefónica automatizada, que se ha vuelto uno de los usos más visibles de la IA generativa en las empresas.
Qué significa para las empresas en Colombia y Latinoamérica
La llegada de gigantes como Microsoft a la voz en tiempo real tiene efectos prácticos para cualquier empresa que atienda clientes por teléfono:
- Más competencia, mejores precios. Cuando los grandes publican tarifas por hora de audio o por millón de caracteres, el costo de automatizar llamadas tiende a bajar para todos.
- Conversaciones más naturales. Menos demora significa menos silencios incómodos y menos clientes que cuelgan antes de ser atendidos.
- Verifique el idioma y el acento. Las fuentes consultadas hablan de 60 idiomas para transcripción y 23 para voz, pero no detallan el desempeño en el español de Colombia. Antes de elegir un motor, pruébelo con llamadas reales de sus clientes.
- El modelo no es la solución completa. Para atender una llamada hace falta el número, la central telefónica, las reglas para pasar a un asesor humano, la conexión con su CRM y la grabación con aviso al cliente.
- Cuide el uso de voces clonadas. Que una herramienta permita clonar voces no significa que se pueda hacer sin autorización; la transparencia con el cliente sigue siendo clave.
En 19 80 TIC Cloud integramos agentes de voz con IA a su PBX y call center en la nube, para que la tecnología de voz que elija atienda sobre sus propios números empresariales.
