Lançamento reúne transcrição em tempo real e nova geração de modelos de voz com suporte multilingue.
O MAI anunciou hoje o lançamento do MAI-Transcribe-2-Streaming e de dois novos modelos de voz, MAI-Voice-2.1 e MAI-Voice-2.1-Flash, publicados no blog de MAI. As ofertas combinam transcrição em tempo real, detecção automática de idioma e síntese de voz multilingue, e estão disponíveis via OpenRouter e no MAI Playground.
Desempenho e latência
O MAI-Transcribe-2-Streaming fornece transcrições em tempo real e baixa latência em 60 idiomas, com detecção automática e contínua do idioma. Conforme a classificação de Análisis Artificial, o modelo ocupa o primeiro lugar em precisão tanto nas transcrições finais quanto nas parciais. De acordo com a avaliação, ele produz as primeiras hipóteses parciais em pouco mais de 100 ms de recepção de áudio e revisa essas hipóteses à medida que chega mais contexto, comprometendo uma transcrição estável em seguida.
As transcrições parciais permitem que aplicações com voz atuem antes do término da fala do usuário. Em casos de uso como ditado ou legendas em tempo real, avaliações internas indicam que as palavras aparecem na transcrição o dobro de rápido que com o concorrente mais próximo. A fonte da classificação citada é a Clasificación de Análisis Artificial Speech to Text (Streaming), de 28 de setembro de 2026.
O modelo está disponível a um preço introdutório de $0,54 USD a hora de audio até final de ano.
Modelos de voz e suporte multilingue
O lançamento de MAI-Voice-2.1 amplia o suporte para 23 idiomas e 26 lugares, permitindo que uma única voz fale diversos idiomas com acento nativo correspondente ao local. Segundo a descrição, isso possibilita, por exemplo, que uma aplicação mantenha a mesma voz ao mudar de idioma em tempo de execução. O preço é de 22 dólares por cada 1 milhão de caracteres.
A variante otimizada, MAI-Voice-2.1-Flash, mantém os mesmos idiomas e falantes multilinguísticos, mas foi projetada para cargas de trabalho de alto volume e sensíveis à latência. Ela pode gerar 45 segundos de áudio com latência de ponta a ponta de 150 ms, oferece inferência 55% mais rápida e é aproximadamente 60% mais barata que modelos comparáveis, com preço de 15 dólares por 1 milhão de caracteres.
Ambos os modelos suportam clonagem de voz em todos os idiomas compatíveis usando apenas alguns segundos de áudio de referência. Eles também incluem barreiras de consentimento integradas para evitar uso indevido.
Em um teste de Turing com 4,000 ouvintes, 50.3% dos participantes classificaram o MAI-Voice como igual ou mais similar à voz humana do que gravações humanas, resultado que combina os dois modelos de voz.
Integração para agentes de voz
Os documentos do MAI destacam que combinar MAI-Transcribe-2-Streaming com MAI-Voice-2.1-Flash fecha o ciclo de entrada e saída de um agente de voz: ouvir, entender, decidir e falar dentro da janela temporal em que a interação ainda é percebida como conversação. Conforme o texto, o ganho de tempo permite que o agente raciocine, utilize ferramentas e verifique respostas mantendo velocidade conversacional.
As aplicações possíveis incluem agentes de atendimento ao cliente que transcrevem e começam a agir antes do término da fala, assistentes multilingues que detectam o idioma automaticamente e respondem na mesma voz, e plataformas de aprendizagem interativa que usam diferentes falantes para tutoria e simulação.
Como testar e acessar
Para demonstrar os modelos em ação, o MAI disponibilizou a demo Chatter no MAI Playground. Os modelos de voz podem ser usados via OpenRouter, e os três modelos — transcrição e as duas variantes de voz — estão acessíveis conforme as rotas divulgadas pelo MAI.
Assuntos nesse artigo:
#mai-transcribe-2-streaming, #mai-voice-2.1, #mai-voice2.1flash, #transcricao, #tempo-real, #latencia, #multilingue, #clonagem-de-voz, #turing, #agentes-de-voz, #subtitulos, #mai-playground, #openrouter, #aa-wer, #analise-artificial, #precos