Microsoft revela MAI-Transcribe-2: Nova era na transcrição de voz com IA

O MAI-Transcribe-2 da Microsoft chega para elevar o sarrafo na transcrição automática. Este modelo de reconhecimento de fala não é só mais um no mercado; ele integra funcionalidade avançada como diarização de locutores, que identifica quem está falando, e estilos de transcrição configuráveis, adaptando a saída para diferentes contextos. Detalhes cruciais como os timestamps em nível de palavra oferecem precisão granular, algo valioso para desenvolvedores e aplicações que exigem sincronização perfeita.

A Microsoft não poupa comparações, afirmando que o MAI-Transcribe-2 supera gigantes como Gemini 3.5 Transcribe, GPT-Transcribe e Whisper V3-Large. A performance é medida tanto em velocidade quanto em precisão, com o modelo sendo até 10 vezes mais rápido que o GPT-Transcribe da OpenAI e 5 vezes mais veloz que o Gemini 3.5 Transcribe, mantendo a acurácia. Além disso, ele se destaca pela capacidade multilíngue, oferecendo qualidade consistente em 60 idiomas e alcançando um Word-Error-Rate médio de 5,2% no benchmark FLEURS. Tudo isso com um custo de $0,10 por hora, uma oferta agressiva no lançamento.

Este lançamento marca uma evolução clara desde a chegada do MAI-Transcribe-1, noticiado pelo CEVIU em 7 de abril de 2026. A versão anterior foi um dos primeiros modelos de IA de voz da Microsoft, focando em otimização para transcrição de fala. Agora, o MAI-Transcribe-2 não só aprimora a velocidade e a precisão geral, mas adiciona recursos que não estavam presentes na primeira geração, como diarização de locutores, estilos de transcrição configuráveis e timestamps palavra-a-palavra. O que era um passo inicial para a Microsoft no segmento, com o Transcribe-1, agora se concretiza em um modelo mais robusto e com capacidades ampliadas, visando superar a concorrência diretamente.

A chegada do MAI-Transcribe-2 é um marco relevante porque eleva o padrão de exigência para os modelos de transcrição de IA. A combinação de alta precisão, velocidade impressionante e um preço competitivo tem o potencial de democratizar o acesso a soluções de transcrição de ponta. Para desenvolvedores, isso significa mais poder computacional e flexibilidade na criação de aplicações que dependem de áudio, desde anotações clínicas e documentação jurídica até acessibilidade e legendagem automática. A capacidade multilíngue em 60 idiomas simplifica a operação global, reduzindo a complexidade para quem precisa transcrever em várias línguas.