2026-11-03 · Fonte:36氪快讯·中继

MAI-Voice-2.1 chega em duas versões, com preços escalonados de 22 e 15 dólares por milhão de caracteres.
No dia 1º de outubro, a Microsoft anunciou o lançamento oficial do novo modelo de transcrição MAI-Transcribe-2-Streaming, com preço promocional de estreia de 0,54 dólar por hora de áudio, válido até o fim deste ano. A cotação reduz a barreira de entrada comercial do reconhecimento de fala a um patamar facilmente calculável e representa o mais recente movimento público de precificação da Microsoft na corrida da IA de voz.
Acompanham o MAI-Transcribe-2-Streaming dois novos modelos de geração de voz: MAI-Voice-2.1 e MAI-Voice-2.1-Flash. Em conjunto, os três modelos formam um portfólio que cobre simultaneamente reconhecimento e geração de fala. No entanto, as bases de cobrança do pacote são distintas: o modelo de transcrição é precificado por hora de áudio, enquanto os modelos de geração de voz são cobrados por volume de caracteres. O MAI-Voice-2.1 custa 22 dólares por milhão de caracteres, e a versão Flash, 15 dólares por milhão de caracteres — cerca de 30% abaixo da versão padrão.
Em termos de posicionamento, o pacote mira claramente duas categorias distintas de carga de trabalho. O MAI-Transcribe-2-Streaming é voltado a cenários de transcrição em streaming em tempo real, com usos típicos como atas de reuniões, arquivamento de gravações de centrais de atendimento, legendas ao vivo e organização de entrevistas; sua cobrança por hora se alinha naturalmente ao volume de negócios de compradores como call centers e empresas de mídia. Já a linha MAI-Voice-2.1 atende o lado da síntese de voz, servindo a assistentes de voz, produção de conteúdo em áudio e robôs de chamadas ativas, com cobrança por caracteres vinculada ao volume de texto — o que facilita a projeção de custos para equipes de conteúdo. Ter reconhecimento e geração nas duas pontas significa que o comprador pode cobrir toda a cadeia de voz com um único fornecedor, reduzindo a complexidade de interfaces e faturamento decorrente da combinação de múltiplos fornecedores.
Para empresas que precisam adquirir capacidade de voz em volume, o valor central desses números está na previsibilidade. Duração de áudio e quantidade de caracteres são métricas que o próprio comprador consegue estimar: uma equipe que processa 10 mil horas diárias de gravações de atendimento pode multiplicar as horas pelo preço unitário para chegar à ordem de grandeza da conta; uma plataforma que gera centenas de milhões de caracteres de conteúdo de voz por mês também pode cruzar seu volume de caracteres com os preços escalonados do MAI-Voice-2.1 ou da versão Flash. O preço horário de 0,54 dólar derruba a barreira de teste da transcrição a um patamar intuitivo, e a janela promocional até o fim do ano oferece um período claro de validação de baixo custo — as empresas podem concluir avaliações de desempenho, testes de carga de throughput e integrações internas de sistema nesse período, sem medo de que os custos de validação saiam do controle.
Vale atenção às condições de fronteira: o que foi divulgado é apenas o preço promocional de lançamento por tempo limitado. O comunicado não informa a qual preço de longo prazo o MAI-Transcribe-2-Streaming será ofertado após o encerramento da janela no fim do ano. Isso significa que os compradores precisam prever margem de flexibilidade nos orçamentos anuais para eventuais reajustes. A postura prudente é tratar o período promocional como janela para P.O.C. e lançamento gradual, deixando os contratos comerciais em escala para depois que o preço de longo prazo ficar claro — mantendo, na arquitetura técnica, a substituibilidade do motor de transcrição, de modo a preservar poder de barganha e opção de migração caso o preço de longo prazo suba significativamente.
Sob a ótica do setor, a precificação da IA de voz evolui rapidamente rumo ao "custo unitário previsível". Nos últimos anos, o reconhecimento de fala chegou a ser cobrado por número de requisições ou em tokens de difícil conversão, dificultando comparações de preço; hoje, com cotações em horas e por milhão de caracteres, a capacidade de voz se torna mais parecida com uma commodity computacional padronizada. A diferença de cerca de 30% entre a versão padrão e a Flash do MAI-Voice-2.1 também segue a convenção dupla já consagrada no mercado de modelos fundacionais — "a versão padrão preserva a qualidade, a leve comprime custos": para cenários sensíveis à latência e com exigências extremas moderadas de qualidade sonora, a versão Flash é uma opção clara de redução de custo; para cenários sensíveis à qualidade, como locuções de marca e publicação de conteúdo, a versão padrão segue como escolha padrão.
Compradores de capacidade de IA devem considerar alguns pontos adicionais na decisão de compra. Primeiro, a capacidade de streaming: o sufixo Streaming do MAI-Transcribe-2-Streaming indica foco em cenários em tempo real, adequados para atendimento e reuniões com transcrição simultânea, mas convém confirmar com o fornecedor se a transcrição em lote offline usa o mesmo canal de cobrança. Segundo, o risco de migração da promoção: o preço limitado até o fim do ano implica que a conta pode saltar no ano que vem, e o financeiro deve modelar isso com antecedência. Terceiro, a armadilha da conversão entre caracteres e áudio: a geração de voz é cobrada por caracteres, mas diferentes idiomas e tratamentos de pontuação afetam o consumo real — recomenda-se rodar regressões de faturamento com amostras reais de negócio durante o período de validação. Quarto, a estratégia de combinação de fornecedores: transcrição e síntese podem ser contratadas de fabricantes distintos, e separar a compra por carga de trabalho costuma oferecer mais espaço de barganha do que pacotes atados.
Quanto à situação de mercado secundário à vista, o modelo não apresenta dados de oferta com preço ativo no momento. Isso é coerente com o ritmo de um modelo lançado em 1º de outubro e ainda em fase promocional de estreia — capacidades nesse formato de API geralmente são adquiridas por canais oficiais de assinatura, e não entram na circulação à vista como máquinas completas ou instâncias de computação. Os compradores devem tomar a documentação oficial de preços como única referência de custo e desconfiar de quaisquer cotações de canais não oficiais sob o pretexto de "revenda de cotas de modelos MAI".
Em resumo, ao entrar no mercado de transcrição com preço limitado de 0,54 dólar por hora, acompanhado de modelos de geração de voz em duas faixas, a Microsoft tanto completa sua linha de produtos de voz quanto estabelece uma âncora de preço para o mercado comprador. Para os compradores, a janela até o fim do ano é o momento áureo para validação de baixo custo e integração de arquitetura — mas a verdadeira decisão de compra ainda deve esperar que o preço de longo prazo e os dados de volume próprio de negócio se concretizem.
P: Qual é o preço promocional do MAI-Transcribe-2-Streaming e quando expira?
R: O preço promocional de lançamento é de 0,54 dólar por hora de áudio, válido até o fim deste ano; o preço de longo prazo após o prazo não foi divulgado no comunicado.
P: Como a linha MAI-Voice-2.1 é cobrada e qual a diferença entre as duas faixas?
R: A versão padrão custa 22 dólares por milhão de caracteres e a Flash, 15 dólares por milhão de caracteres — cerca de 30% mais barata que a padrão.
Tags: Microsoft · MAI-Transcribe-2-Streaming · MAI-Voice-2.1 · Speech AI · Speech Synthesis
萬安算交所 AIXX · AIXX · Exchange verificado · Ir ao mercado