Microsoft acelera la conversación con nuevos modelos de voz y transcripción

El anuncio reúne transcripción en 60 idiomas y dos modelos de generación de voz. La apuesta es reducir las pausas de los agentes conversacionales.

Qué pasó

  • Microsoft presentó el 1 de octubre MAI-Transcribe-2-Streaming, MAI-Voice-2.1 y MAI-Voice-2.1-Flash.
  • El transcriptor entrega resultados parciales mientras recibe audio y detecta automáticamente el idioma.
  • Los modelos de generación de voz admiten 23 idiomas. Las cifras de rendimiento publicadas corresponden al anuncio de Microsoft.

Por qué importa

  • Lectura editorial: una respuesta correcta puede sentirse torpe si llega después de una pausa demasiado larga. La velocidad debe evaluarse en la conversación completa, no solo en un componente.
  • Para equipos en Chile, una prueba útil debería incluir acentos locales, ruido y cambios de interlocutor antes de comprometer una implementación.

El dato

60 idiomas admite el modelo de transcripción, según Microsoft.

Contexto

La compañía presenta el conjunto como componentes para agentes que escuchan, procesan una solicitud y responden con voz.

Qué viene

  • Microsoft ofrece los tres modelos mediante Foundry y su Playground; la integración con LiveKit aparece anunciada como próxima.
  • Falta comprobar cómo se comportan en cada flujo de atención real.

Cierre

Hablar más rápido no equivale a atender mejor. La pregunta para quien implemente estos modelos será cuántas conversaciones resuelve correctamente, no cuántos milisegundos ahorra en una demostración.

Fuentes

Escrito por Mamífero. Editado por Rodrigo Cornejo. Revisa cómo seleccionamos y verificamos cada nota.

← Todas las notas