El 3 de septiembre de 2026, Microsoft AI lanzó MAI-Transcribe-2 con un titular directo: el modelo de reconocimiento de voz más capaz y eficiente entre sus competidores. El anuncio lo sitúa por delante, en las evaluaciones de Microsoft y Artificial Analysis citadas, de Gemini 3.5 Transcribe, GPT-Transcribe, Whisper V3-Large y Scribe v2 de ElevenLabs.
En FLEURS, Microsoft reporta el primer puesto en 60 idiomas con una tasa media de error de palabra del 5,2%. En Artificial Analysis, dice definir la frontera de Pareto exactitud-latencia y ocupar el segundo puesto en el leaderboard de error de palabra, continuando la mejora respecto a versiones previas.
Sobre velocidad, las evals de Artificial Analysis citadas por Microsoft afirman que MAI-Transcribe-2 es unas 10 veces más rápido que GPT-Transcribe de OpenAI, 7 veces más que Scribe v2 y 5 veces más que Gemini 3.5 Transcribe, con mayor exactitud. El precio de lanzamiento es 0,10 dólares por hora de audio como oferta limitada hasta fin de año.
El paquete de funciones apunta a producción: diarización de hablantes, marcas de tiempo por palabra, sesgo por palabras clave de dominio, estilos «verbatim» o «clean», cambio de código (Hinglish, Spanglish), identificación automática de idioma y robustez en audio ruidoso. Un solo modelo para muchos idiomas reduce complejidad operativa.
Casos de uso enumerados incluyen notas clínicas, documentación legal, accesibilidad y subtítulos. La variante de streaming MAI-Transcribe-2-Streaming cubre transcripción en tiempo real vía API, mientras el modo por lotes atiende archivos largos con menor latencia relativa que rivales, según Microsoft.
Disponibilidad: demo en Microsoft Foundry, MAI Playground y Open Router. La integración en la pila de Speech de Azure/Foundry permite a clientes existentes probar sin cambiar de proveedor de nube, un argumento de inercia frente a APIs puntuales.
El lanzamiento encaja en la estrategia MAI de commoditizar voz e imagen (junto a MAI-Image-2.6). En septiembre-octubre de 2026, la competencia de speech-to-text se libró también con Grok Voice Transcribe 2.0 de xAI, que responde con precisión al mismo precio que su generación anterior.
Para compradores empresariales, la decisión ya no es solo «quién tiene el WER más bajo en un benchmark limpio», sino latencia en audio largo, coste a escala, diarización incluida y soporte multilingüe real. Microsoft empaqueta esos ejes en un único mensaje de liderazgo.
Responsables de cumplimiento deberían validar el modo verbatim frente al clean según el sector: en salud y legal, las muletillas y falsos arranques a veces son evidencia; en subtítulos al público, sobran. El sesgo por palabras clave ayuda con fármacos, marcas y acrónimos.
Neural Pulse reporta las afirmaciones de velocidad, precisión y precio tal como las publicó Microsoft el 3 de septiembre; ModelDex y resúmenes de industria las amplificaron. No sustituyen una prueba en el acento, ruido y vocabulario del cliente.
La carrera de voz es, en el fondo, carrera de agentes: sin transcripción fiable, el agente de call center o el copiloto de reunión pierde el hilo. MAI-Transcribe-2 busca ser esa capa barata y rápida bajo asistentes de Microsoft y de terceros en Foundry.
Octubre de 2026 deja un mercado de speech hipercompetitivo a 0,10 USD/hora en varios frontales. Quien gane no será solo el que publique el mejor comunicado, sino el que sostenga cuota y calidad cuando la oferta promocional termine.
