Ir al contenido
por InfinyAI EN

IA en un minutoNoticiasModelos

ModelosActualizado:

Microsoft lanza MAI-Transcribe-2-Streaming, su primer modelo de transcripción en tiempo real

Redacción de IA en un minuto · Editor: Jon Elgezabal

En 30 segundos

Microsoft AI ha estrenado MAI-Transcribe-2-Streaming, que transcribe la voz a medida que se habla en 60 idiomas, castellano incluido, y entrega los primeros resultados en poco más de 100 milisegundos. Llegan también dos voces, MAI-Voice-2.1 y su variante Flash, que copian una voz a partir de pocos segundos de grabación. La transcripción cuesta 0,54 dólares por hora durante el lanzamiento y está en vista previa en Microsoft Foundry.

Microsoft AI, el equipo que desarrolla los modelos propios de Microsoft (MAI), presentó el 1 de octubre MAI-Transcribe-2-Streaming, un modelo que pasa la voz a texto mientras la persona habla, sin esperar a que termine la frase. Funciona en 60 idiomas, entre ellos el castellano, y detecta automáticamente el idioma en el que se habla.

Según Microsoft, da sus primeros resultados en algo más de 100 milisegundos y es el número 1 en precisión en Artificial Analysis, una web que compara modelos de IA. Así, un agente de voz puede empezar a pensar o a usar herramientas antes de que el cliente acabe de hablar.

Con él llegan dos voces nuevas (modelos que convierten texto en voz): MAI-Voice-2.1, que habla 23 idiomas con la misma voz y acento nativo en cada uno, y MAI-Voice-2.1-Flash, la versión pensada para mucho volumen y respuestas rápidas. Las dos pueden clonar una voz con unos segundos de audio y llevan controles de consentimiento para evitar abusos.

Precios publicados: 0,54 dólares por hora de audio para la transcripción, como precio de lanzamiento hasta final de año; 22 dólares por millón de caracteres para MAI-Voice-2.1 y 15 dólares para la versión Flash.

Los tres modelos se usan en Microsoft Foundry, la plataforma de Microsoft para crear aplicaciones con IA. La transcripción está en vista previa pública: se puede usar desde cualquier país, se sirve desde la región de Suecia y Microsoft aún no la recomienda para producción.

Por qué importa · análisis y opinión

Primer modelo de transcripción de Microsoft que no espera a que acabe la frase: el texto aparece mientras la persona aún habla.Ese adelanto es lo que necesita un agente de voz para no dejar silencios incómodos en una llamada, porque puede ir buscando datos o preparando la respuesta antes de que el cliente termine. Que entienda castellano y detecte solo el idioma lo hace interesante para centros de atención con clientes de varios países. Las voces que llegan con él completan el circuito, aunque clonar una voz con unos segundos de audio exige tener muy claro el permiso de su dueño. Microsoft aún no lo recomienda para producción y el primer puesto en precisión lo cuenta la propia empresa: hoy da para un piloto, no para sustituir lo que ya funciona.

Fuente oficial: Microsoft AI · Redactada con ayuda de IA: cómo hacemos las noticias

La IA en tu correo, cada día o cada viernes

Las noticias que importan, cada una en un minuto. Con su fuente de cada una.

Elige uno o los dos:

Te apuntas y listo: el diario te llega cada noche y el semanal, los viernes por la mañana. Puedes darte de baja en cualquier envío.