Microsoft AI Lança MAI-Transcribe-2, Superando Concorrentes em Transcrição de Fala

A Microsoft AI acaba de lançar o MAI-Transcribe-2, um modelo de reconhecimento de fala que eleva o padrão do mercado. A grande novidade é a combinação de velocidade, precisão e, principalmente, um custo agressivo. Por apenas 10 centavos por hora de áudio, o modelo não apenas transcreve em 60 idiomas, mas também inclui funcionalidades avançadas como diarização de locutor (identificar quem disse o quê), timestamps por palavra e detecção automática de idioma.

Este lançamento é um movimento estratégico da Microsoft para consolidar sua independência em modelos de IA de ponta, substituindo gradualmente tecnologias de terceiros em seus produtos. O MAI-Transcribe-2 roda no Microsoft Foundry e no MAI Playground, e foi projetado para lidar com áudios complexos do mundo real, como gravações com ruído de fundo ou falas sobrepostas, algo crucial para uso corporativo.

Desde o lançamento do MAI-Transcribe-1 em abril de 2026, com 25 idiomas e um custo de $0,36 por hora, a Microsoft demonstrou uma evolução notável. Em junho de 2026, a versão 1.5 ampliou para 43 idiomas e introduziu o recurso de keyword biasing. Agora, com o MAI-Transcribe-2, a cobertura linguística subiu para 60 idiomas e o preço caiu impressionantes 72%, para $0,10 por hora de áudio.

Além do corte de custos, o MAI-Transcribe-2 integrou funcionalidades que antes eram pagas à parte por fornecedores especializados, como diarização de locutor, timestamps por palavra e code switching (reconhecimento de mudanças de idioma no meio da frase). Essa cadência de lançamentos, três modelos em cinco meses, mostra uma arquitetura estável e um foco em commoditizar a transcrição antes dos concorrentes.

O MAI-Transcribe-2 é um marco na estratégia da Microsoft de construir seus próprios modelos de IA de “fronteira”. Este movimento diminui a dependência da empresa em parceiros como a OpenAI, um parceiro de $13 bilhões, e corta custos operacionais ao rotear prompts para seus próprios modelos em suas próprias GPUs. Para empresas, isso significa uma democratização do acesso a uma transcrição de alta qualidade com um custo que a torna um item de custo quase insignificante.

A chegada deste modelo, com sua agressiva política de preços e recursos avançados inclusos, pressionará o mercado. Empresas como Google e ElevenLabs, além de especialistas em transcrição, sentirão a concorrência. Isso deve forçar uma reavaliação de preços e pacotes de funcionalidades no setor, beneficiando diretamente os usuários finais com mais acesso à tecnologia de IA avançada.