O que a Microsoft anunciou
A divisão Microsoft AI publicou em 1º de outubro, em seu blog Tech Community, três modelos da família MAI:
- MAI-Transcribe-2-Streaming: converte a voz em texto à medida que o áudio chega, em 60 idiomas e com detecção automática do idioma. Entrega uma primeira versão do texto em poucas centenas de milissegundos e a corrige até fixar a transcrição quando a pessoa termina de falar. É o primeiro modelo de transcrição em streaming da Microsoft.
- MAI-Voice-2.1: modelo de texto para fala que a Microsoft descreve como o mais expressivo que já fez, em 23 idiomas, para casos em que a qualidade da voz é o principal.
- MAI-Voice-2.1-Flash: versão otimizada para responder rápido e atender grandes volumes, com os mesmos idiomas.
Naomi Moneypenny, diretora de desenvolvimento de produto do Microsoft Foundry Models, explicou que, juntos, eles dão aos desenvolvedores mais opções para construir experiências de voz naturais, e que transcrever enquanto a pessoa fala importa quando um aplicativo precisa agir naquele momento. Entre os usos mencionados estão os agentes de atendimento ao cliente, os assistentes multilíngues e as legendas ao vivo.
Velocidade, preços e disponibilidade
Segundo a Unite.AI, a Microsoft afirma que seu modelo de transcrição ocupa o primeiro lugar em precisão no ranking de transcrição em streaming da Artificial Analysis, e que o modelo Flash gera áudio com uma latência de cerca de 150 milissegundos. O SiliconANGLE, por sua vez, informa uma média de cerca de 320 milissegundos para a primeira hipótese de texto e esclarece que a Microsoft não garante esse número em todos os cenários, porque a rede e o modelo que gera a resposta também somam tempo. São dados do fabricante, não testes independentes.
Os preços publicados são:
- MAI-Transcribe-2-Streaming: 0,54 dólar por hora de áudio, tarifa de lançamento até o fim de 2026.
- MAI-Voice-2.1: 22 dólares por milhão de caracteres.
- MAI-Voice-2.1-Flash: 15 dólares por milhão de caracteres.
Os três modelos estão no Microsoft Foundry, MAI Playground, Vercel e Azure Voice Live; os de voz também no OpenRouter. Ambos os modelos de voz permitem clonar uma voz a partir de alguns segundos de áudio, com controles de consentimento incorporados, segundo a Microsoft.
Por que importa: a corrida pelo agente de voz que não deixa ninguém esperando
Um agente de voz com IA funciona como uma cadeia de três etapas: ouvir (passar a voz para texto), pensar (um modelo de linguagem decide o que responder) e falar (converter a resposta em voz). Cada etapa acrescenta atraso, e em uma chamada telefônica poucos segundos de silêncio bastam para o cliente sentir que está falando com uma máquina desajeitada. A Unite.AI resume a estratégia da Microsoft como «recuperar tempo nas duas pontas» do ciclo: transcrever antes de a pessoa terminar e responder com uma voz rápida.
O SiliconANGLE observa que, ao separar os modelos de ouvir, raciocinar e falar, os desenvolvedores podem controlar separadamente a qualidade, o atraso e o custo. Com este anúncio, a Microsoft compete de forma mais direta com fornecedores especializados de voz e de plataformas de agentes no negócio do atendimento telefônico automatizado, que se tornou um dos usos mais visíveis da IA generativa nas empresas.
O que isso significa para as empresas na Colômbia e na América Latina
A chegada de gigantes como a Microsoft à voz em tempo real tem efeitos práticos para qualquer empresa que atenda clientes por telefone:
- Mais concorrência, preços melhores. Quando os grandes publicam tarifas por hora de áudio ou por milhão de caracteres, o custo de automatizar chamadas tende a cair para todos.
- Conversas mais naturais. Menos atraso significa menos silêncios constrangedores e menos clientes que desligam antes de ser atendidos.
- Verifique o idioma e o sotaque. As fontes consultadas falam em 60 idiomas para transcrição e 23 para voz, mas não detalham o desempenho no espanhol da Colômbia. Antes de escolher um motor, teste-o com chamadas reais dos seus clientes.
- O modelo não é a solução completa. Para atender uma chamada, são necessários o número, a central telefônica, as regras para transferir a um atendente humano, a conexão com o seu CRM e a gravação com aviso ao cliente.
- Cuidado com o uso de vozes clonadas. O fato de uma ferramenta permitir clonar vozes não significa que isso possa ser feito sem autorização; a transparência com o cliente continua sendo fundamental.
Na 19 80 TIC Cloud integramos agentes de voz com IA ao seu PBX e call center em nuvem, para que a tecnologia de voz que você escolher atenda nos seus próprios números empresariais.
