Microsoft lança modelos de áudio e transcrição para agentes de voz
A Microsoft lançou o modelo de transcrição MAI-Transcribe-2-Streaming e dois novos modelos de síntese de voz para criação de agentes virtuais.
Resumo rápido
- Microsoft lança modelo de transcrição em tempo real MAI-Transcribe-2-Streaming para 60 idiomas.
- Novos modelos de síntese de voz MAI-Voice-2.1 e variante Flash oferecem latência reduzida e clonagem de áudio.
- Sistemas estão disponíveis em plataformas como Microsoft Foundry, MAI Playground e OpenRouter.
Entenda o contexto
Modelos de conversão de texto em fala e transcrição em tempo real são tecnologias que convertem áudio em texto legível por máquinas ou sintetizam áudio a partir de dados escritos. A latência reduzida nesses sistemas é fundamental para permitir interações mais rápidas e fluidas em agentes e assistentes virtuais de voz.
A Microsoft AI lançou nesta sexta-feira, 2 de outubro de 2026, o MAI-Transcribe-2-Streaming, um novo modelo voltado para a transcrição em tempo real. O sistema suporta 60 idiomas e entrega seus primeiros resultados parciais em pouco mais de 100 milissegundos. Segundo a Microsoft, essa velocidade permite que agentes de voz comecem a responder enquanto a pessoa ainda está no meio de uma frase. A empresa afirma ainda que o modelo ocupa o primeiro lugar em precisão na avaliação da plataforma Artificial Analysis. Até o final do ano, o custo por hora de áudio é de US$ 0,54 em um preço introdutório.
Além da solução de transcrição, a divisão de inteligência artificial da empresa apresentou dois novos modelos de conversão de texto em fala. O MAI-Voice-2.1 foi projetado para falar 23 idiomas com a mesma voz, adotando sotaque nativo em cada uma das línguas. Já a variante MAI-Voice-2.1-Flash atinge uma latência de 150 milissegundos e custa US$ 15 por milhão de caracteres, ante US$ 22 cobrados na versão convencional.
Clonagem de voz e disponibilidade nas plataformas
Ambos os modelos de síntese vocal conseguem clonar uma voz a partir de apenas alguns segundos de áudio de referência. A Microsoft informa que foram incluídas salvaguardas integradas aos sistemas para evitar o uso indevido da tecnologia. Em um teste citado, cerca de metade dos 4.000 participantes acreditou que as vozes geradas pertenciam a pessoas reais.
As novas ferramentas estão disponíveis por meio de plataformas como a Microsoft Foundry e o MAI Playground. Além disso, os dois modelos de geração de voz também foram disponibilizados na plataforma OpenRouter.
Referências
- Reportagem consultada: The Decoder
Links para conferência: não indicam endosso das fontes ao conteúdo do portal.
Gostou? Compartilhe:
Comentários 0
Ninguém comentou ainda. Seja o primeiro!
