El miércoles 1 de octubre de 2026, Microsoft lanzó tres modelos de voz hechos por su propia división de IA: MAI-Transcribe-2-Streaming, que convierte voz a texto mientras la persona todavía está hablando, y MAI-Voice-2.1 y MAI-Voice-2.1-Flash, que hacen lo contrario. La propia Microsoft los presenta como las piezas para construir agentes conversacionales: el oído y la boca de un agente telefónico. El cerebro lo pone el modelo de lenguaje que elijas.
Para una empresa mexicana, el detalle que importa está en la documentación: cuatro voces con acento de México (es-MX), una de ellas con un estilo específico para centro de llamadas.
Qué hay en la caja
| Pieza | Qué hace | Idiomas | Precio de lanzamiento (hasta 31-dic-2026) |
|---|---|---|---|
| MAI-Transcribe-2-Streaming | Voz a texto en tiempo real | 60, con detección automática | USD 0.54 por hora de audio |
| MAI-Voice-2.1 | Texto a voz de alta fidelidad, para narración | 23 idiomas, 26 variantes | USD 22 por millón de caracteres |
| MAI-Voice-2.1-Flash | Texto a voz de baja latencia, para conversación | 23 idiomas | USD 15 por millón de caracteres |
La transcripción reconoce el español y, según la documentación de Microsoft, maneja conversaciones que brincan entre español e inglés a media frase, algo común en atención a clientes del norte del país o en empresas con matriz extranjera. Las voces mexicanas listadas son Alejo, Grant, Harper y Valeria; Harper incluye el estilo customer_call_center.
Sobre la velocidad, las cifras varían según quién las reporta: DataNorth habla de primeras palabras a unos 100 milisegundos de recibir el audio; Runtime Wire, de palabras que aparecen desde 320 milisegundos. Microsoft reporta 2.5% de error por palabra en su propia prueba, y TechTimes recuerda que es una cifra de laboratorio: en llamadas reales, con ruido y mala señal, los sistemas comerciales suelen equivocarse bastante más.
Lo que cuesta en números de PyME
Un ejercicio ilustrativo, con los precios de lanzamiento. Supón 1,000 llamadas al mes de 3 minutos:
- Transcripción en vivo: 3,000 minutos son 50 horas, unos USD 27 al mes.
- Voz del agente con Flash: si el agente habla unos 1,500 caracteres por llamada, son 1.5 millones de caracteres, unos USD 22.50 al mes.
- A eso hay que sumarle el modelo de lenguaje que razona la respuesta, la telefonía y, sobre todo, la integración con tu CRM o ERP, que es donde se va el dinero de verdad.
Dos matices. Primero, son precios promocionales que vencen el 31 de diciembre de 2026, y Microsoft no ha publicado la tarifa posterior. Segundo, TechTimes calcula que la transcripción en vivo de Microsoft (USD 9 por mil minutos) es más cara que la de Deepgram o ElevenLabs (alrededor de USD 6.50); su argumento a favor es la integración nativa con Azure. Si audio ya grabado te basta, la transcripción por lotes cuesta USD 0.10 por hora.
Qué hacer con esto
- No cambies nada en producción. Si ya tienes un agente de voz funcionando con otro proveedor, esto no es razón para migrar hoy.
- Haz un piloto con grabaciones reales. Toma 20 llamadas de tu centro de atención (con el aviso de privacidad en orden) y pásalas por la transcripción. Mide cuántos nombres de producto, claves y números de pedido entiende bien. La función de lista de frases permite darle tu vocabulario; úsala.
- Escucha las voces mexicanas con tus clientes en mente. Una voz que suena bien en una demo puede sonar demasiado entusiasta para cobranza o demasiado plana para ventas.
- Revisa dónde se procesa el audio. La lista de regiones que Microsoft publica para las voces no incluye ninguna en México; las más cercanas están en Estados Unidos y Canadá. Si grabas llamadas con datos personales, tu aviso de privacidad debe contemplar esa transferencia.
- Diseña la salida a un humano antes que el agente. El punto de cualquier agente de atención no es que conteste todo, sino que resuelva lo repetitivo y pase bien lo demás.
La clonación de voz, con candado
Ambos modelos de voz pueden clonar una voz con 5 a 60 segundos de audio. Microsoft mantiene esa función con acceso restringido: hay que solicitarlo y subir el consentimiento grabado de la persona. Es la medida correcta, pero también es un recordatorio de lo que ya está al alcance de cualquiera con menos escrúpulos: si tu empresa autoriza pagos por teléfono, el fraude con voces clonadas merece una regla de verificación por otro canal.
El contexto
Hace dos meses, OpenAI presentó Presence, su producto de agentes de voz con reglas y aprobaciones. Ahora Microsoft completa las piezas dentro de Azure. La competencia en voz se está moviendo rápido, y eso tiene una consecuencia práctica que ya vimos hoy con el retiro de GPT-5.5: los modelos cambian cada pocos meses. Diseña el agente para que la transcripción, la voz y el modelo de lenguaje se puedan cambiar por separado. El que se case con un solo proveedor en vista previa va a rehacer el trabajo en seis meses.
Agentes de voz
Prueba un agente de voz en español de México sin arriesgar tu línea de ventas
Armamos el piloto con tus grabaciones, medimos errores con tu vocabulario y te dejamos un diseño que puede cambiar de proveedor.
