MAI-Transcribe-2-Streaming es el nuevo modelo con el que Microsoft quiere reducir la espera entre una voz y su transcripción en pantalla. La compañía lo presentó el 1 de octubre de 2026 con una promesa llamativa: generar las primeras hipótesis de texto apenas algo más de 100 milisegundos después de recibir el audio. La cifra no significa que una frase completa quede cerrada en una décima de segundo, pero sí apunta a subtítulos, dictado y asistentes de voz que reaccionan mientras seguimos hablando.
La novedad llega como infraestructura para desarrolladores, no como una aplicación que puedas instalar hoy. En nuestro análisis de la documentación oficial, ahí está la clave para entender tanto su potencial como sus límites: Microsoft ha abierto una vista previa pública, sin acuerdo de nivel de servicio y todavía no recomendada para cargas de producción.
Qué ha anunciado Microsoft exactamente
Según el anuncio oficial de Microsoft AI, MAI-Transcribe-2-Streaming admite 60 idiomas y detecta de forma continua el idioma hablado. Eso permitiría seguir una conversación que cambia de lengua sin reiniciar la sesión ni seleccionar manualmente otro idioma.
El modelo trabaja con dos clases de resultado. Primero muestra parciales, es decir, palabras provisionales que se corrigen a medida que llega más contexto. Después confirma un segmento estable. Es el mismo motivo por el que los subtítulos automáticos a veces reescriben una palabra ante nuestros ojos: la velocidad obliga a empezar antes de tener toda la frase.
Microsoft afirma que la primera hipótesis aparece en algo más de 100 ms y que, en sus evaluaciones internas, las palabras se muestran el doble de rápido que con su rival más cercano. Conviene mantener ambos datos separados. El tiempo de 100 ms describe el inicio de una transcripción provisional, mientras que la comparación de velocidad procede de la propia empresa y no equivale a una prueba independiente en todas las condiciones.
Dónde se puede notar la transcripción en tiempo real
El beneficio más fácil de imaginar está en los subtítulos de reuniones, clases y emisiones en directo. Si las palabras aparecen mientras una persona habla, hay menos sensación de ir siempre una frase por detrás. También puede mejorar el dictado, la toma automática de notas y las interfaces controladas por voz.
Hay otro cambio menos visible. Un asistente podría empezar a interpretar una petición o preparar una acción antes de que terminemos de hablar. Eso acorta la pausa completa del sistema, pero también exige cuidado: actuar sobre una frase provisional aumenta el riesgo de entender mal una negación, un nombre propio o una instrucción que cambia al final.
Por ahora, el acceso se dirige a quienes construyen aplicaciones. La documentación de Microsoft Foundry permite integrarlo mediante una API en tiempo real compatible con WebSocket o con el SDK de Azure Speech. No hay confirmación de que vaya a sustituir de inmediato la transcripción de Teams, Windows o Copilot.
El contexto también importa. El uso de IA generativa en España ya ha alcanzado una escala suficiente para que pequeñas mejoras de latencia afecten a mucha gente, pero la adopción dependerá de que esas mejoras lleguen a productos concretos y no se queden en una demostración técnica.
Los 60 idiomas no garantizan la misma precisión
La detección automática y el cambio de idioma son útiles en una conversación real, donde aparecen acentos, nombres, ruido y términos técnicos. Sin embargo, decir que un modelo cubre 60 idiomas no demuestra que rinda igual en todos. Microsoft no publica en este anuncio un desglose completo por idioma, acento y entorno acústico del modelo en streaming.
La empresa apoya su mensaje en las pruebas de Artificial Analysis para transcripción en streaming, donde sostiene que ocupa la primera posición en precisión tanto para resultados parciales como finales. Ese dato aporta una referencia externa, pero sigue siendo una fotografía de un conjunto de pruebas. Una llamada con mala cobertura, una cocina ruidosa o una reunión con varias personas hablando a la vez pueden producir un resultado diferente.
La métrica más útil para el usuario no será solo cuántas palabras acierta. También importa cuánto tarda en corregir un parcial, si conserva bien los nombres propios y si el subtítulo estable llega con una demora cómoda. Son detalles menos espectaculares que los 100 ms, pero deciden si la experiencia resulta fluida.
Microsoft completa el circuito con nuevas voces
Junto a MAI-Transcribe-2-Streaming, Microsoft anunció MAI-Voice-2.1 y una variante Flash. La primera cubre 23 idiomas y 26 configuraciones regionales; la segunda prioriza respuestas rápidas y de gran volumen. La idea es cerrar el circuito de un agente de voz: escuchar, interpretar, decidir y responder sin una pausa artificial entre cada paso.
La compañía también habla de clonación de voz con pocos segundos de audio y de controles de consentimiento integrados. Es un terreno sensible. Antes de celebrar una voz más natural, cualquier servicio deberá explicar de quién es la voz, qué permiso existe para reproducirla y durante cuánto tiempo se conserva el audio de referencia.
Esta cautela encaja con una lección reciente del ecosistema: una función puede cambiar o desaparecer aunque parezca asentada, como vimos cuando Microsoft retiró varias funciones de Copilot. Por eso no conviene presentar un modelo en vista previa como si ya fuera una capacidad garantizada para todos los productos.
Qué debemos vigilar antes de darlo por resuelto
Hay cuatro pruebas que importan más que una demostración controlada: conversaciones con ruido, español de distintas regiones, cambios de idioma dentro de una misma frase y protección de los audios. También habrá que medir la latencia de extremo a extremo. Un motor puede transcribir muy rápido y, aun así, la aplicación completa tardar por la red, el razonamiento o la generación de voz.
Nuestra conclusión es prudente. MAI-Transcribe-2-Streaming parece un avance serio para acercar los subtítulos y asistentes a una conversación natural, sobre todo por combinar parciales rápidos con detección continua de idioma. Pero hoy es una pieza para desarrolladores en vista previa. El salto real llegará cuando aparezca en herramientas cotidianas, mantenga la precisión fuera del laboratorio y ofrezca controles claros sobre grabación, consentimiento y conservación del audio.
Transparencia editorial: esta noticia se basa en el anuncio y la documentación oficiales de Microsoft, contrastados con el panel público de Artificial Analysis. No contiene enlaces de afiliado ni afirmaciones de uso propio.
