Modelos MAI da Microsoft trazem voz natural com latência de 100ms

Segundo a Microsoft, o novo modelo MAI-Transcribe-2-Streaming entrega resultados parciais em pouco mais de 100 milissegundos em 60 idiomas. Essa velocidade permite que assistentes de voz processem a fala e respondam enquanto o usuário ainda está no meio da frase, eliminando as pausas artificiais em centrais de atendimento.

Quanto custam os novos modelos de voz da Microsoft?

Até o final do ano, a transcrição sai por $0,54 por hora de áudio no preço promocional. Na parte de síntese de voz, a variante MAI-Voice-2.1-Flash atinge uma latência de 150 milissegundos cobrando $15 por milhão de caracteres, abaixo dos $22 da versão padrão.

O que muda na automação de atendimento?

Os dois modelos de voz conseguem clonar um timbre a partir de poucos segundos de áudio de referência, acompanhados de travas de segurança contra uso indevido. Em testes citados pela empresa, cerca de metade de 4.000 participantes confundiram a voz sintética com uma pessoa real. Os modelos já estão disponíveis no Microsoft Foundry, MAI Playground e OpenRouter para integração em produção.