Microsoft AI: MAI-Transcribe 1.5

MAI-Transcribe 1.5 es un modelo de voz a texto de Microsoft AI, lanzado el 2 de junio de 2026. Se sitúa en la categoría de transcripción, por lo que está diseñado para una sola tarea: convertir audio hablado en texto escrito en lugar de generar conversación o código. Si estás montando una canalización que comienza con voz, este es el componente que Microsoft proporciona para ese primer paso.

El modelo toma audio como entrada y devuelve una transcripción como salida. Microsoft lo describe como multilingüe, con transcripción fiable en 43 idiomas y condiciones de audio diversas. El proveedor señala que es adecuado para subtítulos, transcripción de llamadas, subtitulado, accesibilidad y otras aplicaciones habilitadas para voz. La longitud de contexto no se publica en los metadatos del modelo, y el campo de salida máxima figura como cero, por lo que el tamaño práctico de la salida se rige por la duración del audio que envías y el propio manejo del servicio, en lugar de por un presupuesto de tokens documentado.

Esas capacidades se corresponden con un conjunto bastante claro de casos de uso. Si necesitas subtítulos para material grabado o en directo, el enfoque del modelo en subtítulos y leyendas se aplica directamente. La transcripción de llamadas abarca archivos de centros de contacto, notas de reuniones y grabaciones de cumplimiento normativo. El trabajo de accesibilidad, como hacer legibles charlas grabadas o vídeos internos, es otro encaje. Dado que el modelo maneja 43 idiomas, los equipos que atienden a audiencias multilingües pueden enrutar audio en cualquiera de esos idiomas a través de un único modelo en lugar de mantener un reconocedor separado por idioma. Las aplicaciones habilitadas para voz que necesitan una capa de texto antes del procesamiento posterior, como la búsqueda sobre grabaciones o el resumen, también empiezan aquí.

Lo llamas a través de la API compatible con OpenAI de api14 usando el id de modelo "microsoft/mai-transcribe-1.5". Como el endpoint sigue el formato de OpenAI, las bibliotecas de cliente y las formas de solicitud que ya usas para otros modelos funcionarán sin un manejo especial. Ten en cuenta que este modelo no lista ningún parámetro de solicitud admitido, así que deberías enviar el audio con la estructura de solicitud estándar y evitar asumir que los controles de muestreo, la temperatura o mandos similares tendrán algún efecto en una tarea de transcripción.

No hay mucho en los detalles proporcionados sobre límites estrictos, así que trata la duración del audio y el rendimiento como cosas que debes verificar contra el servicio en vivo en lugar de asumirlas a partir de la documentación. Considera también si un modelo de voz a texto es lo que necesitas en absoluto: si tu tarea es la traducción entre idiomas escritos, o la generación de texto sobre la transcripción, este modelo solo cubre el paso de reconocimiento y necesitarás otro modelo para el resto de la cadena.