Microsoft vs ElevenLabs: transcripción en tiempo real n.º 1, pero no la más barata

Microsoft AI, el laboratorio de Mustafa Suleyman, lanzó MAI-Transcribe-2-Streaming, su primer modelo de transcripción en tiempo real para agentes de voz (60 idiomas), junto a dos voces nuevas. Es el n.º 1 en precisión… pero no el más barato.

Qué lanzó

El transcriptor cuesta US$ 0,54 por hora de audio como precio introductorio hasta fin de año, y Artificial Analysis confirma que es el mejor en precisión entre 38 modelos evaluados. La misma medición independiente, sin embargo, lo ubica en el extremo alto de precio: lidera en calidad, pero lo pagas.

El "60 % más barato que ElevenLabs" tiene truco

Suleyman publicó que era un 60 % más barato que ElevenLabs. El dato, al mirarlo de cerca, corresponde a la voz Flash (una de las dos voces nuevas), no al transcriptor. Es la clase de comparación que suena bien en un tuit pero mezcla productos distintos; conviene no quedarse con el titular.

La letra chica y lo que medimos

La documentación oficial trae advertencias que importan: es una versión preliminar sin contrato de nivel de servicio, con sesiones de una hora y ninguna región en Latinoamérica. Esto último no es un detalle: lo medimos desde Santiago y solo la red hasta Azure ya suma más tiempo que el primer resultado parcial que anuncia Microsoft. Para transcripción en tiempo real —donde cada milisegundo cuenta—, la distancia al servidor puede borrar la ventaja de precisión. Si trabajas desde la región, pruébalo con tu latencia real antes de confiarle una aplicación en vivo.