Microsoft AI publicó el 1 de octubre tres modelos de voz: MAI-Transcribe-2-Streaming, que va transcribiendo mientras la persona habla en 60 idiomas, y dos de voz sintética, MAI-Voice-2.1 y MAI-Voice-2.1-Flash, con 23 idiomas y 26 variantes. Con eso quedan a la venta en un mismo sitio las tres piezas de un agente que atiende por teléfono: oír, decidir y responder.
Según el tablero de transcripción en streaming de Artificial Analysis, que compara 38 modelos, el nuevo quedó primero en tasa de error de la transcripción final con 2,5 %, por delante del 2,7 % de Grok Voice Transcribe 2.0, y con 0,13 segundos hasta el texto definitivo frente a 0,49.
Oír en vivo cuesta cinco veces más que oír después
Microsoft ya vendía la versión por lotes del mismo modelo, MAI-Transcribe-2, a 0,10 dólares la hora de audio. La de streaming son 0,54. Es 5,4 veces el precio, y lo que compra no es un texto mejor: es recibirlo mientras la persona todavía está hablando.
Eso convierte una línea de la factura en una decisión de diseño. Un agente que contesta llamadas no funciona sin streaming. Un proceso que resume grabaciones del día anterior, clasifica reclamos o alimenta un buscador no lo necesita, y ponerlo ahí es pagar 5,4 veces por una urgencia que nadie va a notar.
Tres precios en tres unidades, y ninguna es el minuto
Oír se cobra por hora de audio. Responder con voz, por millón de caracteres. El modelo que decide qué decir, por millón de tokens, y no entra en ninguno de los dos anuncios. El tablero de Artificial Analysis usa una cuarta unidad, dólares por 1.000 minutos. Un presupuesto no se arma en ninguna de ellas: se arma por minuto de conversación.
| Pieza | Precio de lista | Pesos por minuto de conversación |
|---|---|---|
| Oír en vivo (MAI-Transcribe-2-Streaming) | 0,54 USD por hora de audio | 29 |
| Oír por lotes (MAI-Transcribe-2) | 0,10 USD por hora de audio | 5 |
| Responder (MAI-Voice-2.1) | 22 USD por millón de caracteres | 32 |
| Responder (MAI-Voice-2.1-Flash) | 15 USD por millón de caracteres | 22 |
| Decidir qué responder | no entra en ninguno de los dos | no publicado |
Con la TRM de 3.273,49 pesos vigente del 3 al 5 de octubre. Para responder se supone que el agente ocupa medio minuto de cada minuto, a 900 caracteres por minuto hablado: 450 caracteres.
Oír en vivo y responder con la versión Flash son 51 pesos por minuto de conversación. El precio de lista de un modelo de voz a voz de extremo a extremo, GPT-Live-1, son 164 pesos el minuto, y ahí sí entra el que decide qué responder. Armar el agente por piezas no termina en 51: le falta justo esa, y es la única de las tres que nadie cotiza por minuto.
Qué mirar antes de armar el presupuesto
Los dos precios de transcripción vencen el 31 de diciembre. Los dos anuncios los declaran introductorios y ninguno publica la tarifa que viene después. Un presupuesto a doce meses hecho con 0,54 usa un número con tres meses de vida.
La lista de idiomas no está en el anuncio. Son 60 para oír y 23 para responder, que no cubren lo mismo, y ninguna de las dos listas se publicó. Microsoft cita el «Spanglish» como ejemplo de cambio de idioma dentro de una frase, y da una tasa de error media de 5,2 % en FLEURS para la versión por lotes, que es un promedio de 60 idiomas y no un dato en español. El acento colombiano y el ruido de fondo de una operación real no se verifican en un promedio: se prueban con grabaciones propias, como con cualquier otro modelo de audio.
El modelo de extremo a extremo cambia la unidad, no la pregunta. Cuando una sola pieza oye, decide y responde, el precio vuelve al minuto de audio, y entonces lo que mueve la factura es el pico de llamadas simultáneas: así quedan las cuentas con los dos modelos que lanzó ElevenLabs.
Operamos agentes en producción (casos). Si la voz va a entrar por WhatsApp, esto es lo que hay que montar del otro lado.