Microsoft lanza tres modelos de voz para agentes conversacionales: qué retener

En su sitio web, la división Microsoft AI presentó el 1 de octubre de 2026 tres modelos: MAI-Transcribe-2-Streaming, que transforma el habla en texto a medida que avanza la conversación, y MAI-Voice-2.1 y MAI-Voice-2.1-Flash, que hacen lo contrario al leer un texto en voz alta. La empresa los presenta como herramientas para construir agentes de voz capaces de mantener una conversación sin tiempos muertos.

En cuanto a la transcripción, Microsoft afirma que las primeras palabras provisionales llegan en algo más de 100 milisegundos y que el modelo se sitúa en primer lugar en precisión en la comparativa Artificial Analysis. Son resultados anunciados por la propia empresa: indican una dirección, no una garantía de rendimiento en una línea telefónica real, con sus ruidos de fondo y sus acentos.

Según la documentación técnica de Microsoft, MAI-Transcribe-2-Streaming reconoce 60 idiomas, entre ellos el francés, y detecta el idioma automáticamente si no se indica. El texto llega en dos tiempos: una versión provisional que se corrige mientras la persona habla, y luego una versión definitiva para cada segmento. La documentación cita explícitamente los centros de llamadas y los asistentes de voz entre los usos previstos.

Conviene conocer dos límites técnicos. Una sesión no puede superar una hora. Y sobre todo, con la API Realtime, el servicio no detecta por sí mismo el final del habla: corresponde a la aplicación detectar cuándo quien llama ha terminado de hablar y pedir entonces al servicio que finalice lo antes posible la transcripción. Este ajuste, invisible para el usuario final, condiciona sin embargo la sensación de fluidez o, al contrario, las interrupciones.

Los dos modelos de voz cubren 23 idiomas según Microsoft. La lista de voces listas para usar incluye cuatro voces en francés, una de las cuales ofrece un estilo adaptado a los centros de llamadas. La versión Flash se presenta como la más rápida, concebida para agentes de voz en tiempo real, servidores de voz interactivos y centros de llamadas; la versión estándar privilegia la naturalidad en los contenidos largos, como los audiolibros.

Ambos modelos saben reproducir una voz a partir de un fragmento corto de unos segundos (Microsoft recomienda de 5 a 60 segundos). Microsoft reserva, no obstante, esta función a un acceso bajo solicitud, tras una revisión, y exige una grabación del consentimiento de la persona cuya voz se reproduce: solo pueden utilizarse en producción voces autorizadas. Para una empresa tentada de dar la voz de su gerente o de una empleada a su centralita, es un recordatorio útil: Microsoft impone este consentimiento para su servicio y, de forma más general, reproducir la voz de una persona sin su acuerdo expone a riesgos jurídicos, que conviene comprobar con un asesor.

Los tres modelos están en versión preliminar pública. La documentación de Microsoft precisa que esta versión preliminar se ofrece sin compromiso de nivel de servicio y que no se recomienda para un uso en producción. Dicho de otro modo, una centralita de la que depende la relación con los clientes no debería basarse directamente en ella mientras ese estado no cambie.

En cuanto a las tarifas, Microsoft anuncia un precio de lanzamiento de 0,54 dólares por hora de audio para la transcripción, válido hasta finales de año. Para las voces, indica 22 dólares por millón de caracteres para MAI-Voice-2.1 y 15 dólares para la versión Flash. Estos precios se dirigen a desarrolladores que montan ellos mismos un servicio; no dicen nada del coste final de una atención telefónica completa, que incluye además la telefonía, la inteligencia conversacional y la explotación.

Para una empresa de Francia, la cuestión del alojamiento cuenta tanto como la velocidad. La documentación indica que las voces se sirven, entre otras, desde las regiones France Central, West Europe, North Europe y Sweden Central. Para la transcripción en directo, las regiones enumeradas son Sweden Central, Central US y South India, y se anuncia como próximamente disponible una cuarta región, East US 2.

Microsoft precisa que estos modelos son accesibles desde todo el mundo y que las solicitudes se encaminan hacia estas regiones. Antes de confiar conversaciones de clientes a una herramienta que se apoya en estas piezas, es por tanto legítimo preguntar a su proveedor dónde se trata cada etapa: la transcripción, la generación de la respuesta y la síntesis de la voz no se realizan necesariamente en el mismo lugar.

Este anuncio no cambia nada de la noche a la mañana para una pyme, pero proporciona una guía de lectura. Ante una oferta de atención telefónica con IA, estas son cuatro preguntas sencillas que plantear: ¿los modelos utilizados están en versión preliminar o en versión estable? ¿En qué países se transcriben y se tratan las llamadas? ¿Se utiliza una voz clonada y con qué consentimiento? ¿Se avisa a quien llama desde el principio de que habla con una IA y de que la llamada se graba?

Por su parte, Alyas anuncia la IA y la grabación al inicio de la llamada, transcribe y resume las conversaciones, transfiere la llamada al número elegido por la empresa cuando es necesario, y su alojamiento está situado en la Unión Europea.