Microsoft AI ha presentado MAI-Transcribe-2, un avanzado modelo de reconocimiento de voz que, según la compañía, es el más rápido, preciso y económico del mercado, superando a soluciones similares ofrecidas por OpenAI, Google y ElevenLabs. Esta nueva versión aterriza con un precio promocional de 10 céntimos por hora de audio transcrito, lo que supone una reducción del 72 % respecto al modelo original lanzado hace solo cinco meses, que costaba 36 céntimos por hora.
Este importante ajuste en el precio transforma el negocio para grandes empresas que gestionan volúmenes masivos de audio, como bancos o telecomunicaciones, que pueden llegar a procesar hasta 100.000 horas anuales de grabaciones. Bajo esta nueva tarifa, los costes pasan de 36.000 a 10.000 dólares, un cambio que facilita la integración de la transcripción automática sin que represente un gasto excesivo o discutible dentro del presupuesto.
El desarrollo de MAI-Transcribe-2 es parte de la estrategia de Microsoft orientada a construir sus propios modelos de inteligencia artificial especializados —llamados modelos de frontera— e ir incorporándolos gradualmente en sus productos para sustituir las tecnologías externas, incluidas las de OpenAI, con la que mantiene una compleja relación tras una inversión multimillonaria. 
Capacidades de MAI-Transcribe-2 y valor para empresas
Este modelo mejora notablemente el soporte idiomático, ampliando de 43 a 60 idiomas las lenguas que puede procesar, lo que representa un gran avance en comparación con la versión anterior. Funciona en Microsoft Foundry —el mercado de modelos de IA para desarrolladores— y en MAI Playground, un entorno donde los usuarios pueden probarlo. Está especialmente diseñado para manejar audios con ruido ambiental, calidad irregular y voces superpuestas, condiciones habituales en entornos reales de negocio, a diferencia de los modelos entrenados con grabaciones limpias de estudio.
Más allá del número de idiomas, Microsoft ha incorporado funcionalidades clave en su producto base: la diarización permite identificar quién dijo qué en conversaciones con múltiples interlocutores, los sellos temporales a nivel de palabra facilitan la búsqueda y edición del texto sincronizado con vídeos, y la identificación automática de idioma elimina la necesidad de seleccionarlo manualmente antes de la transcripción.
Además, incluye el sesgo por palabras clave para mejorar el reconocimiento de términos técnicos, nombres de productos o empleados, y maneja cambios de idioma dentro de la misma frase —destacando ejemplos como el Hinglish o Spanglish—, características que tradicionalmente suponen un coste adicional en otras soluciones.
Un detalle relevante es que ofrece dos estilos de salida configurables: un modo “verbatim” que conserva pausas, muletillas y errores del habla para entornos legales o de cumplimiento, y un modo “limpio” que suprime esos elementos para generar subtítulos o notas más legibles.
Rendimiento y comparativa con rivales
Microsoft sustenta sus afirmaciones de liderazgo en diferentes métricas. MAI-Transcribe-2 lidera el benchmark FLEURS con un índice de error de palabra medio del 5,2 % en 60 idiomas, aunque esta cifra ha aumentado respecto a versiones anteriores ante la incorporación de lenguas con menos recursos, que presentan mayor dificultad para todos los modelos.
En el ranking de precisión y latencia Artificial Analysis, independientes y orientados a escenarios empresariales reales, se posiciona segundo, superando modelos como ElevenLabs Scribe v2 y con una velocidad de procesamiento entre cinco y diez veces superior a rivales como OpenAI GPT-Transcribe, Google Gemini 3.5 Transcribe o ElevenLabs.
Esta eficiencia no solo mejora la experiencia del usuario, sino que reduce significativamente los costes de infraestructura, permitiendo a Microsoft ofrecer su tecnología por una décima parte del precio inicial y mantener rentabilidad.
Frecuencia y rapidez en las actualizaciones de Microsoft AI
En apenas cinco meses, Microsoft ha lanzado tres versiones sucesivas del modelo: de 25 idiomas y 0,36 dólares la hora en abril, a 43 idiomas en junio con mejoras como el sesgo por palabras clave y una mejor posición en la competencia, hasta llegar ahora a 60 idiomas y al precio más competitivo bajo la marca MAI-Transcribe-2.
Esta rápida evolución responde a un equipo reducido y especializado, al margen de burocracias tradicionales, que ha optimizado la arquitectura tecnológica para acelerar el desarrollo, la incorporación de datos y el escalado de la solución con rapidez y precisión.
Independencia y estrategia a largo plazo pese a la inversión en OpenAI
Aunque Microsoft ha invertido más de 13.000 millones de dólares en OpenAI y sus modelos se integran en productos como Azure, Office y Copilot, su apuesta por desarrollar IA propia responde a la necesidad de independencia tecnológica y control de costes.
Los cambios en el acuerdo con OpenAI, que permiten a Microsoft buscar soluciones propias para la inteligencia artificial generalizada, evidencian esta intención, que refuerza con inversiones en equipos especializados y amplia línea de modelos MAI.
Reducción de costes y despliegue en productos Microsoft
El coste de usar tecnología externa es un factor clave. Cada consulta a un modelo de OpenAI genera un gasto considerable, mientras que los propios modelos de Microsoft consumen menos recursos y permiten mayor control y ahorro.
MAI-Transcribe-2 es el primer objetivo para integrar estas tecnologías en productos como Teams, Nuance —especializada en documentos clínicos— y Azure Speech Services, lo que significa migrar grandes volúmenes de audio internos y externos a soluciones más económicas y propietarias.
Competencia directa con líderes y cómo influye en el mercado
Microsoft nombra como principales competidores a OpenAI, Google y ElevenLabs, dejando fuera a empresas especializadas en transcripciones desde años atrás como Deepgram, AssemblyAI, Speechmatics o Rev. La estrategia se centra pues en competir con los grandes laboratorios que ofrecen IA polivalente, pero con modelos de voz menos optimizados y con precios más elevados.
El precio de 10 céntimos por hora, incluyendo características premium como diarización y tiempos, presiona especialmente a los especialistas tradicionales, cuya ventaja seguiría radicando en vocabularios sectoriales muy concretos y en integraciones a medida.
Por otro lado, Microsoft no presume superar en precisión a la compañía china Alibaba, cuya tecnología destaca en varios rankings —un factor a evaluar para empresas preocupadas por seguridad y costos—.
Preguntas clave para decidir el cambio a MAI-Transcribe-2
A pesar del gran lanzamiento, quedan dudas que los compradores deben aclarar, como la duración de la tarifa promocional, soporte para transcripción en tiempo real y detalles más finos sobre la exactitud por idioma y la calidad de la diarización.
También es crucial conocer las políticas de privacidad y manejo de datos, especialmente en sectores regulados, ya que la empresa reconoce que ha utilizado audios procedentes de diversas fuentes, incluidas grabaciones de la web abierta, para entrenar el modelo.
Lo que este paso revela sobre las ambiciones globales de Microsoft en IA
El avance de MAI-Transcribe-2 encaja en una estrategia mayor de Microsoft para construir un ecosistema de modelos especializados en imágenes, voz, código o ciberseguridad que les permita reducir dependencia externa y ofrecer servicios competitivos a escala.
Con un enfoque pragmático que prioriza la eficiencia y el bajo coste de inferencia, Microsoft aspira a ser un fabricante de soluciones de IA asequibles para empresas, contrastando con la tendencia de algunas compañías a desarrollar un único modelo universal.
En definitiva, Microsoft emerge como un proveedor capaz de entregar valor industrial en inteligencia artificial, combinando innovación tecnológica con una ambiciosa planificación comercial, ofreciendo un modelo que cambia la forma de entender la transcripción automática en el mundo empresarial.
