Microsoft AI arrasa en transcripción: 10 céntimos la hora y 10 veces más rápida
Microsoft presenta MAI-Transcribe-2, un modelo de reconocimiento de voz que recorta el precio de la transcripción a 10 céntimos la hora y multiplica por diez la velocidad de sus rivales. Las funciones premium ya vienen incluidas.
Microsoft AI ha presentado MAI-Transcribe-2, su nueva generación de modelo de transcripción de voz, y lo ha hecho con un precio que parece un error: 10 céntimos por hora de audio. Hace apenas cinco meses, la versión anterior costaba 36 céntimos la hora, así que el recorte es del 72%. Para una empresa que procese 100.000 horas de audio de call center al año (algo habitual en banca o telecomunicaciones), la factura anual baja de 36.000 a 10.000 dólares. A esos precios, la transcripción deja de ser una partida que dé disgustos.
La noticia va más allá del dato del precio. Estamos ante la estrategia de Microsoft de construir sus propios modelos de inteligencia artificial, uno a uno, e ir sustituyendo poco a poco los de OpenAI en sus productos. Hace dos años esto parecía impensable, pero en el campo del habla ya es una realidad. MAI-Transcribe-2 es la prueba más clara de esa transición y un anticipo de cómo Microsoft planea competir en IA sin depender de un socio al que ha invertido 13.000 millones de dólares.
El modelo no solo es barato, también viene cargado de funciones que antes se pagaban aparte. Transcribe en 60 idiomas (la versión anterior, de junio, cubría 43; y la original de abril, solo 25). Está disponible en Microsoft Foundry y en MAI Playground. Y está diseñado para el audio sucio de la vida real: ruido de fondo, mala calidad, varias personas hablando a la vez. Entre las prestaciones incluidas están la diarización de hablantes (saber quién ha dicho qué), marcas de tiempo por palabra, sesgo de palabras clave para que no destroce términos técnicos, identificación automática del idioma, un modo "verbatim" que conserva todo los "eems" y tartamudeos para temas legales, y un modo "limpio" para subtítulos, además de soporte para conversaciones que cambian de idioma a mitad de frase (el artículo menciona Hinglish y Spanglish). Todo eso por diez céntimos.
En los benchmarks, Microsoft hace tres afirmaciones. La primera: es el número 1 en FLEURS (un estándar para evaluar reconocimiento del habla en 60 idiomas) con una tasa de error de palabra del 5,2%. Eso significa que se equivoca en una palabra de cada veinte. La segunda: ocupa el segundo puesto en la clasificación de Artificial Analysis, una firma independiente que mide lo que los clientes realmente obtienen a través de las APIs. Allí se define la frontera de Pareto: significa que ningún rival le gana en precisión sin ser más lento, ni le gana en velocidad sin ser menos preciso. La tercera: es 10 veces más rápida que GPT-Transcribe de OpenAI, 7 veces más que Scribe v2 de ElevenLabs y 5 veces más que Gemini 3.5 Transcribe de Google. Esta velocidad es clave: un modelo que corre a un múltiplo más alto de tiempo real necesita muchas menos horas de GPU, y eso es lo que permite el precio bajo sin perder dinero. Eso sí, la tasa de error media ha subido desde el 3,7% que logró en junio, pero no porque el modelo haya empeorado, sino porque ahora cubre 60 idiomas, incluidos algunos de pocos recursos donde todos los modelos fallan más.
El ritmo de publicación también es significativo: en abril lanzaron el primer MAI-Transcribe con 25 idiomas y a 36 céntimos; en junio llegó una versión con más idiomas; y ahora, en septiembre, la número 2. Tres modelos en cinco meses demuestra que Microsoft está pisando el acelerador en el terreno del habla. Para los rivales (OpenAI, Google, ElevenLabs), esto es un aviso de que el precio ya no es el terreno en el que quieren jugar, sino en el que están obligados a sobrevivir.
El análisis de Salseo
- El precio de 10 céntimos por hora de audio no es solo un descuento: es un intento de convertir la transcripción en un commodity. Para los proveedores especializados y para OpenAI, este movimiento aprieta sus márgenes y les empuja a rebajar sus tarifas o a ofrecer algo que Microsoft no pueda copiar.
- La inclusión de funciones que antes eran extras de pago (diarización, timestamps, sesgo de palabras clave, modo verbatim) en el paquete base cambia las reglas del juego. Las empresas que antes contrataban a varios proveedores ahora pueden consolidar todo con uno.
- El aumento de la tasa de error en FLEURS del 5,2% frente al 3,7% anterior no debe leerse como un paso atrás: es el efecto de cubrir más idiomas. Los compradores técnicos deberían pedir el desglose por idioma, porque los mercados con muchos idiomas (como India o Latinoamérica) son precisamente los que más se benefician.
- La velocidad de 10x en comparación con OpenAI no es solo un eslogan: significa menos horas de GPU por hora de audio, lo que hace sostenible el precio bajo y apunta a una ventaja de infraestructura que rivales como ElevenLabs tendrían difícil replicar sin grandes inversiones.