Microsoft AI apresenta MAI-Transcribe-2 e o define como o modelo de reconhecimento de fala mais rápido, preciso e barato do mundo

A Microsoft AI apresentou o MAI-Transcribe-2 e já o disponibiliza em lançamento oficial. A empresa o define como o modelo de reconhecimento de fala mais rápido, preciso e barato do mundo. São alegações da própria Microsoft, não de avaliação independente. Ela cita três resultados: primeiro lugar no benchmark FLEURS em 60 idiomas, com Word-Error-Rate médio de 5,2%; a fronteira de Pareto entre precisão e latência na Artificial Analysis; e o segundo lugar no ranking de WER da mesma plataforma.

No lado prático, o modelo traz diarização (atribui palavras a cada falante), timestamps por palavra, keyword biasing para termos de domínio, identificação automática de idioma e code switching (como Hinglish e Spanglish). Os estilos configuráveis separam o modo "verbatim", que mantém hesitações e falsas partidas (útil para compliance e análise), do "clean", que remove vícios de fala para legendas e notas. A empresa diz que a latência é bem menor em áudio longo, com processamento até 10 vezes mais rápido que os principais concorrentes. O preço é de US$ 0,10 por hora de áudio. Os comparativos citam Gemini 3.5 Transcribe, GPT-Transcribe, Whisper V3-Large e ScribeV2.

Em 7 de abril de 2026, o CEVIU noticiou o lançamento do MAI-Transcribe-1 junto com MAI-Image-2 e MAI-Voice-1. Em 4 de abril de 2026, a cobertura "Hoje anunciamos 3 novos modelos MAI de classe mundial, disponíveis na Foundry" registrava o MAI-Transcribe-1 a partir de US$ 0,36 por hora. O MAI-Transcribe-2 chega a US$ 0,10 por hora, ou seja, o preço caiu e a lista de recursos cresceu, com diarização, timestamps por palavra e estilos configuráveis. A própria Microsoft fala em continuar a escalada de desempenho das versões anteriores.

O MAI-Transcribe-2 também já havia aparecido antes. Em 4 de setembro de 2026, o CEVIU publicou "Microsoft revela MAI-Transcribe-2: Nova era na transcrição de voz com IA" e outra matéria sobre o mesmo modelo. Agora o texto fala em lançamento oficial disponível.

Para quem opera transcrição em volume (call center, saúde, jurídico, legendagem), a combinação de preço por hora e diarização muda a conta de custo por minuto processado. Vale testar com o seu áudio real antes de migrar, porque os números de benchmark vêm da fabricante. A queda de US$ 0,36 para US$ 0,10 por hora entre versões também aponta para pressão de preço sobre Whisper e concorrentes.