MAI-Transcribe-2 cobra US$0,10/hora y supera a OpenAI

El precio que cambia el cálculo: US$0,10 por hora de audio

Microsoft AI lanzó el jueves MAI-Transcribe-2 a US$0,10 por hora de audio transcrito, un recorte del 72% frente a los US$0,36 que cobraba hace cinco meses por su modelo anterior, según el anuncio oficial de la compañía recogido por VentureBeat. Para una empresa que procesa 100.000 horas anuales —el volumen modesto de un banco mediano o una teleco—, la factura cae de US$36.000 a US$10.000 al año y deja de ser una partida discutible.

El modelo soporta 60 idiomas (frente a los 25 del lanzamiento original en abril), corre sobre Microsoft Foundry y el sandbox MAI Playground, y mantiene una serie de funcionalidades que sus rivales suelen cobrar aparte: diarización de hablantes, marcas de tiempo por palabra, sesgo por palabras clave, identificación automática de idioma, code switching entre idiomas en la misma frase (incluido Hinglish y Spanglish) y dos modos de salida —verbatim para legal y clean para subtítulos.

Qué dice cada benchmark, en lenguaje de fundador

Microsoft hace tres afirmaciones de rendimiento y conviene leerlas con bisturí.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

En el benchmark FLEURS —estándar de la industria, creado por investigadores de Google en 2022 y basado en hablantes nativos leyendo frases en 102 idiomas— Microsoft asegura el primer puesto en 60 idiomas con una tasa de error de palabra (WER) promedio de 5,2%, es decir, una palabra mal transcrita cada 20. La cifra es más alta que el 3,7% reportado para MAI-Transcribe-1.5 en junio, pero eso refleja que ahora se promedian más idiomas, incluidos los de bajos recursos donde todos los modelos fallan más.

En el ranking independiente Artificial Analysis, Microsoft subió del tercer puesto (2,4% WER en junio, según datos del propio benchmark) al segundo,声称 superar a ElevenLabs Scribe v2 y a Alibaba Fun-Realtime-ASR-preview. Y en velocidad bruta: 10 veces más rápido que GPT-Transcribe de OpenAI, 7 veces más rápido que ElevenLabs Scribe v2 y 5 veces más rápido que Gemini 3.5 Transcribe de Google, según las pruebas de Artificial Analysis que cita VentureBeat.

A modo de referencia, el modelo Gemini 3.5 Transcribe de Google, lanzado en agosto de 2026 según NAI500, reporta un WER de 4% en streaming y 2,6% en no-streaming, soporta más de 85 idiomas y puede identificar hasta tres hablantes por canal —un punto de comparación que Microsoft no nombra en su comunicado pero que define el techo de calidad al que apunta.

Por qué Microsoft se independiza de OpenAI (otra vez)

Microsoft lleva invertidos más de US$13.000 millones en OpenAI y aloja sus modelos en Azure, Office y Copilot. Aun así, lleva dos años construyendo modelos propios. La historia detrás es organizativa: en marzo de 2024 contrató a Mustafa Suleyman desde Inflection AI —junto con la mayor parte de su equipo— para liderar Microsoft AI. El CEO de Salesforce, Marc Benioff, lo leyó en su momento como una declaración de intenciones; según declaró a CNBC en enero de 2025, "Microsoft está construyendo su propia IA y no creo que la use en el futuro. Tendrán sus propios modelos frontera".

En octubre de 2025, ambas compañías renegociaron el acuerdo para permitir a Microsoft "perseguir AGI de forma independiente por primera vez", según el comunicado oficial de Microsoft citado por VentureBeat. En abril de 2026, otra enmienda eliminó la exclusividad de Microsoft sobre los modelos de OpenAI y los pagos por reparto de ingresos, reportó Reuters y CNBC en ese momento. Cada movimiento soltó un cordón umbilical. Cada movimiento fue seguido por un nuevo modelo MAI.

Lo que cambia para el equipo de producto

A un nivel estratégico, el movimiento importa menos por la Transcription per se y más por la plantilla que se está consolidando. Microsoft AI ya envía modelos para imágenes, voz, transcripción, código, razonamiento y ciberseguridad. En Build, en junio de 2026, anunció siete nuevos modelos MAI en una sola keynote, según VentureBeat. La fórmula es la misma en todos: apunta a una modalidad acotada, optimiza el coste de inferencia agresivo, fija un precio por debajo de los frontier labs, distribuye por Foundry y va migrando silenciosamente los productos internos al modelo propio.

Suleyman resumió el plan a The Verge en abril de 2026 —frase textual citada por VentureBeat—: el equipo de transcripción era "un pequeño equipo enfocado de 10 personas que había sido liberado de toda la burocracia" y el modelo corría "a la mitad del coste de GPU de los otros modelos estado del arte". Para una startup, eso significa que el competidor ya no es sólo OpenAI: ahora también es el Azure que ya tienes contratado, vendiéndote a coste.

Qué significa esto para tu startup

1. Re-cotiza el coste de transcripción si依赖s de APIs externas. Si hoy estás pagando a OpenAI Whisper, Google Speech-to-Text o AssemblyAI para transcribir llamadas, reuniones o soporte al cliente, vale la pena correr un piloto paralelo en MAI-Transcribe-2 antes de renovar contrato. Una caída del 60-72% en precio cambia el unit economics de cualquier SaaS vertical que ofrezca call analytics, resúmenes de reuniones o documentación clínica. Pide a tu account manager los datos de streaming y la tasa de diarización por idioma antes de comprometerte; el anuncio no publica esos números.

2. Construye sobre la asunción de que el precio caerá otra vez en 12 meses. Microsoft lleva tres versiones en cinco meses, cada una más barata y con más funciones. MAI-Transcribe-1 costaba US$0,36/hora en abril de 2026, según Redmondmag; MAI-Transcribe-1.5 llegó en junio con 43 idiomas; MAI-Transcribe-2 ya está en US$0,10. Si tu modelo de negocio depende de una api barata de STT, diseña la arquitectura para que cambiar de proveedor sea un config swap, no un rewrite. La capa de abstracción te va a ahorrar dinero dos veces.

3. Compara antes de migrar a Azure por el modelo. Que sea barato no significa que sea el mejor para tu caso. El WER promedio del 5,2% en 60 idiomas puede esconder un 3% en español de México y un 12% en quechua o aimara —el artículo original recomienda explícitamente pedir el breakdown por idioma—. Prueba con audios reales de tu vertical antes de asumir que "el más barato gana".

Las preguntas que ningún comunicado responde

VentureBeat identificó cinco huecos que cualquier comprador debería aclarar antes de firmar un contrato de producción: (1) duración del precio US$0,10 —Microsoft lo llama "oferta de lanzamiento" sin fecha de fin ni tarifa estándar—; (2) soporte de streaming —el comunicado enfatiza batch, pero los voice agents y el captioning en vivo necesitan tiempo real, y Microsoft no publica en el leaderboard de streaming de Artificial Analysis—; (3) WER por idioma —no conformarse con el promedio—; (4) calidad de diarización —un WER perfecto puede esconder atribuciones de hablante equivocadas—; y (5) manejo de datos —residencia, retención y si el audio enviado a Foundry alimenta futuros entrenamientos—.

MAI-Transcribe-2 está disponible desde hoy a través de Microsoft Foundry y MAI Playground.