Microsoft AI: MAI-Transcribe 2

Microsoft AI: MAI-Transcribe 2 es un modelo de voz a texto de Microsoft, lanzado el 3 de septiembre de 2026. Se sitúa en la categoría de transcripción, por lo que su función es estrecha y específica: convertir audio hablado en texto escrito. Microsoft lo posiciona como un sistema multilingüe, y ocupa el primer puesto en el benchmark multilingüe FLEURS según el proveedor. Si tu trabajo implica voz en más de un idioma, esa combinación de respaldo del proveedor y posición en el benchmark es la razón principal para considerar este modelo en lugar de uno de propósito general.

El modelo toma audio como entrada y devuelve una transcripción como salida. Cubre 60 idiomas y realiza identificación automática del idioma, por lo que no tienes que indicarle qué idioma se habla antes de enviar una solicitud. También maneja el cambio de código, es decir, audio donde los hablantes alternan entre idiomas dentro de la misma grabación. Los detalles publicados no indican una longitud de contexto en tokens, y la salida máxima se da como cero, así que trata el modelo como un endpoint de transcripción puro en lugar de algo que puedas instruir con largas indicaciones de texto. No hay parámetros de solicitud compatibles listados más allá de lo que la API requiere para identificar el modelo y pasar audio.

Los usos prácticos se derivan directamente de esas capacidades. Las grabaciones de reuniones y llamadas en organizaciones multilingües son un encaje obvio, especialmente cuando los participantes cambian de idioma a mitad de conversación. Los flujos de trabajo de medios y pódcast pueden usarlo para producir transcripciones sin un paso separado de detección de idioma. Los proyectos de investigación y archivo que tratan con voz en cualquiera de los 60 idiomas compatibles pueden enviar audio y recibir texto de vuelta. Como la identificación del idioma es automática, los trabajos por lotes sobre audio de idiomas mixtos no necesitan clasificarse ni etiquetarse de antemano.

Llamas al modelo a través de la API compatible con OpenAI de api14 usando el id de modelo "microsoft/mai-transcribe-2". Como la interfaz sigue el formato de OpenAI, los clientes y SDK existentes que ya apuntan a una URL base compatible con OpenAI pueden reutilizarse, con el audio enviado como entrada y la transcripción devuelta en la respuesta. El modelo no lista parámetros compatibles, así que mantén las solicitudes mínimas: establece el id del modelo, adjunta el audio y evita asumir que las opciones de muestreo o formato tendrán algún efecto. Si un parámetro no aparece como compatible, lo más seguro es omitirlo.

En cuanto a los límites, los hechos disponibles son escasos. No hay una longitud de contexto declarada y la salida máxima es cero, lo que sugiere que el modelo no está pensado para indicaciones de texto a texto ni para respuestas generadas largas. Si tu tarea necesita razonamiento sobre una transcripción, resumen, traducción o cualquier generación de texto, un modelo de texto es la mejor opción, usando MAI-Transcribe 2 primero para producir la transcripción. Si tu audio queda fuera de los 60 idiomas compatibles, es poco probable que este modelo te sirva.