Introdução
A Microsoft acaba de fazer um movimento que pode redefinir o mercado de transcrição por inteligência artificial. Com o lançamento do MAI-Transcribe-2, a empresa não apenas melhorou a precisão e velocidade de seu modelo de reconhecimento de fala, mas cortou o preço de US$ 0,36 para apenas US$ 0,10 por hora de áudio – uma redução de aproximadamente 72%. Para colocar em perspectiva: uma empresa que processa 100 mil horas de gravações de call center por ano verá sua fatura anual cair de US$ 36 mil para US$ 10 mil. É o tipo de mudança de preço que transforma a transcrição de um custo significativo em uma despesa operacional trivial.
Este lançamento não é apenas sobre economia. Ele sinaliza uma mudança estratégica profunda na Microsoft, que investiu mais de US$ 13 bilhões na OpenAI mas agora constrói sistematicamente seus próprios modelos de IA, modalidade por modalidade. A transcrição é onde essa estratégia está mais avançada, e o MAI-Transcribe-2 oferece uma prévia clara de como a gigante de software pretende competir em IA sem depender do parceiro que cultivou com tanto investimento.
Recursos técnicos que fazem a diferença para empresas
O MAI-Transcribe-2 transcreveu áudio em 60 idiomas, um salto significativo dos 43 idiomas da versão 1.5 lançada em junho e dos 25 idiomas do modelo original de abril. Mas o que realmente importa para compradores corporativos é o conjunto de recursos que a Microsoft incluiu no pacote base, sem cobranças extras.
A diarização de falantes – a capacidade de identificar quem disse o quê em uma conversa com múltiplos participantes – transforma uma parede de texto em uma transcrição utilizável de reunião. Timestamps em nível de palavra permitem busca precisa, edição e sincronização com vídeo. O ajuste de palavras-chave permite que desenvolvedores alimentem o modelo com listas de nomes de medicamentos, códigos de produtos ou nomes de funcionários, evitando erros em jargões específicos do domínio.
Dois recursos se destacam pela especificidade. O estilo de saída configurável oferece um modo “verbatim” que preserva cada “hum”, falso início e gaguejo para equipes jurídicas e de compliance, além de um modo “limpo” que remove pausas preenchidas para legendas e notas legíveis. A alternância de código (code switching) lida com conversas que alternam entre idiomas no meio da frase – a Microsoft menciona explicitamente Hinglish e Spanglish, reconhecendo mercados na Índia e entre hispânicos nos EUA onde uma única chamada de atendimento pode alternar idiomas dezenas de vezes.
Fornecedores especializados historicamente cobram prêmios por cada uma dessas capacidades. A Microsoft está incluindo todas por dez centavos de dólar.
Desempenho em benchmarks e o que isso significa na prática
A Microsoft faz três alegações de desempenho, cada uma baseada em uma métrica diferente. Compreender o que cada uma captura – e o que deixa de fora – é essencial para tomadores de decisão técnica.
Primeiro, o MAI-Transcribe-2 ocupa o primeiro lugar no benchmark FLEURS em 60 idiomas, com uma taxa média de erro de palavra de 5,2%. O FLEURS é um padrão criado por pesquisadores do Google em 2022, construído a partir de falantes nativos lendo cerca de 2.000 frases em cada um de 102 idiomas. É a régua padrão para reconhecimento de fala multilíngue porque permite comparar o desempenho em suaíli versus sueco com conteúdo idêntico.
A segunda alegação é que o modelo ocupa o segundo lugar no ranking de taxa de erro de palavra da Artificial Analysis e define a fronteira de Pareto de precisão-latência dessa empresa. A Artificial Analysis é uma benchmarker independente que testa modelos através de suas APIs públicas, medindo o que um cliente realmente obtém. Seu índice combina conversas simuladas de agentes, discursos do Parlamento Europeu e chamadas de resultados corporativos, com peso forte para fala empresarial em inglês.
A terceira alegação é velocidade bruta: 10 vezes mais rápido que o GPT-Transcribe da OpenAI, 7 vezes mais rápido que o Scribe v2 da ElevenLabs, 5 vezes mais rápido que o Gemini 3.5 Transcribe do Google. Em transcrição em lote, a velocidade importa menos porque ninguém está esperando e mais porque throughput é custo. Um modelo rodando a 300 vezes a velocidade real precisa de uma fração das horas de GPU de um rodando a 30 vezes.
A velocidade impressionante de desenvolvimento da Microsoft
O ritmo de lançamentos conta uma história dentro da história. Em 2 de abril, o MAI-Transcribe-1 foi lançado com 25 idiomas a US$ 0,36 por hora. Em 2 de junho, o MAI-Transcribe-1.5 chegou com 43 idiomas, ajuste de palavras-chave e terceiro lugar no ranking da Artificial Analysis. Hoje, o MAI-Transcribe-2 foi lançado com 60 idiomas, diarização, timestamps, alternância de código, segundo lugar no ranking e preço de US$ 0,10.
Três lançamentos em cinco meses, cada um expandindo a cobertura de idiomas em aproximadamente 40% enquanto adiciona recursos que concorrentes cobram em níveis premium. Esse ritmo é característico de uma equipe que estabeleceu uma arquitetura estável e agora está acelerando em dados e escala – a fase em que modelos de fala tendem a melhorar rápida e previsivelmente.
Mustafa Suleyman, CEO da Microsoft AI, creditou o primeiro modelo a “uma pequena equipe focada de 10 pessoas” que foi “liberada de qualquer burocracia”, com um grupo maior ao redor lidando com gestão de fornecedores e aquisição de dados. Ele também disse que o modelo rodava com “metade do custo de GPU dos outros modelos state-of-the-art”, chamando isso de “uma enorme economia de custos” para a Microsoft.
Por que a Microsoft está construindo seus próprios modelos de IA
A Microsoft investiu mais de US$ 13 bilhões na OpenAI e hospeda os modelos da OpenAI em todo o Azure, Office e Copilot. Durante a maior parte dos últimos quatro anos, a pergunta óbvia sobre qualquer modelo construído pela Microsoft tem sido: por que se dar ao trabalho? A resposta ficou mais clara no último ano, e começa com independência.
Quando a Microsoft contratou Suleyman da Inflection AI em março de 2024, junto com a maior parte da equipe da Inflection, Marc Benioff, CEO da Salesforce, interpretou como uma declaração de intenções. “A Microsoft está construindo sua própria IA e não acho que a Microsoft usará a OpenAI no futuro. Eles terão seus próprios modelos de fronteira”, disse Benioff à CNBC em janeiro de 2025. “É por isso que contrataram Mustafa Suleyman.”
Em outubro de 2024, Microsoft e OpenAI reestruturaram sua parceria em um acordo que, segundo o próprio anúncio da Microsoft, permitiu à Microsoft “buscar independentemente AGI sozinha ou em parceria com terceiros” pela primeira vez. Suleyman disse que a renegociação “desbloqueou a capacidade [da Microsoft] de buscar superinteligência”, e a Microsoft anunciou sua equipe MAI Superintelligence semanas depois.
Como os modelos internos da Microsoft estão cortando custos
A segunda metade da resposta é margem. Cada prompt que a Microsoft roteia para um modelo da OpenAI carrega um custo. Cada prompt que roteia para seu próprio modelo em suas próprias GPUs carrega um custo menor. Em julho, a Bloomberg relatou que a Microsoft havia começado a usar modelos MAI para responder a uma parte dos prompts de usuários no Word e Excel – produtos que anteriormente anunciava como alimentados pela OpenAI e Anthropic.
A transcrição é o alvo natural para essa substituição porque o problema é limitado e a métrica é objetiva. A Microsoft possui o Teams, que gera um volume enorme de áudio de reuniões. Possui a Nuance, cujo negócio de documentação clínica funciona com reconhecimento de fala. Possui os serviços de fala do Azure que milhares de empresas já utilizam. Cada uma dessas cargas de trabalho é candidata a migrar para o MAI-Transcribe-2, e cada hora que migra é uma hora pela qual a Microsoft não paga mais ninguém.
O cenário competitivo e o impacto no mercado
O lançamento da Microsoft nomeia quatro rivais: GPT-Transcribe da OpenAI, Gemini 3.5 Transcribe do Google, o mais antigo Whisper V3-Large da OpenAI e Scribe v2 da ElevenLabs. Não menciona Deepgram, AssemblyAI, Speechmatics ou Rev – os especialistas que vendem transcrição para empresas há uma década. A Microsoft está se posicionando contra os laboratórios de fronteira, não os incumbentes.
Esse enquadramento é parcialmente marketing e parcialmente verdadeiro. Os laboratórios de fronteira trataram a fala como um recurso checkbox de plataformas mais amplas, precificado adequadamente, e um modelo dedicado que os supera em velocidade por 5 a 10 vezes enquanto iguala sua precisão é um diferenciador genuíno. Mas os especialistas sentirão a pressão de preço mais agudamente. A US$ 0,10 por hora, a Microsoft está precificando no mesmo nível ou abaixo de onde muitos deles vendem contratos empresariais de alto volume.
O único concorrente que a Microsoft conspicuamente não alega superar em precisão é a Alibaba, cujos modelos têm postado números líderes em rankings independentes durante grande parte de 2024. O pitch da Microsoft para esses compradores é implícito mas inconfundível: precisão comparável, inferência mais rápida, preço mais baixo e um fornecedor em que sua equipe de compliance já confia.
Questões práticas para tomadores de decisão
Apesar de toda sua especificidade em benchmarks, o lançamento deixa várias questões práticas em aberto. A primeira é duração: a Microsoft chama US$ 0,10 por hora de oferta de lançamento sem nomear uma data de término ou taxa padrão, e qualquer pessoa construindo um modelo de custo deve obter ambos por escrito.
A segunda é streaming. O lançamento enfatiza throughput em lote e áudio de longa duração, mas não diz nada sobre transcrição em tempo real, que agentes de voz e legendagem ao vivo exigem. A Artificial Analysis mantém um ranking separado de streaming, e o silêncio da Microsoft sobre isso é notável.
A terceira é precisão por idioma. Uma média de 5,2% em 60 idiomas pode significar 3% em idiomas principais e 12% em idiomas de baixo recurso, então compradores com necessidades específicas devem testar esses idiomas diretamente. A quarta é qualidade de diarização. A taxa de erro de palavra não mede atribuição de falante; uma transcrição pode ter WER quase perfeito e ainda atribuir cada segunda frase à pessoa errada.
A quinta é tratamento de dados. A transcrição empresarial toca registros médicos, privilégio legal e divulgações financeiras, e o lançamento não diz nada sobre residência de dados, retenção ou se o áudio enviado ao Foundry alimenta treinamento futuro.
O que isso significa para o futuro da IA empresarial
Afastando-se dos detalhes de reconhecimento de fala, emerge um padrão que se estende bem além da transcrição. A unidade de IA da Microsoft agora lança modelos para imagens, voz, transcrição, código, raciocínio e cibersegurança. No Build em junho, anunciou sete novos modelos MAI em um único keynote. Cada um segue o mesmo playbook: mirar em uma modalidade bem definida, otimizar agressivamente para custo de inferência, precificar abaixo dos laboratórios de fronteira, distribuir através do Foundry e silenciosamente trocar o modelo nos próprios produtos da Microsoft.
Esta não é uma tentativa de construir um modelo que supere GPT ou Gemini em tudo. É uma tentativa de construir um portfólio de modelos especializados que, em conjunto, permitem à Microsoft servir a maioria de suas cargas de trabalho empresariais sem pagar ninguém – e vender a capacidade excedente para todos os outros a preços que os especialistas não podem igualar.
A transcrição aconteceu de ser a primeira modalidade onde a abordagem amadureceu completamente, mas as notas de lançamento do MAI-Transcribe-2 parecem menos um anúncio de produto do que um template. A empresa que gastou US$ 13 bilhões aprendendo quanto custa IA de fronteira decidiu que prefere possuir a fábrica a alugar a produção – e agora está vendendo a produção por menos que o aluguel.
Conclusão
O lançamento do MAI-Transcribe-2 representa muito mais do que apenas outro modelo de transcrição entrando no mercado. É uma demonstração clara da nova estratégia da Microsoft em IA: construir capacidades próprias, modalidade por modalidade, com foco obsessivo em eficiência e custo. A redução de 72% no preço não é apenas competitiva – é transformadora para o mercado de transcrição empresarial.
Para empresas brasileiras que dependem de transcrição para call centers, reuniões corporativas ou documentação médica, este desenvolvimento abre novas possibilidades. O que antes era um custo significativo agora pode se tornar uma ferramenta acessível para análise de conversas, compliance e melhoria de atendimento ao cliente. Com suporte para 60 idiomas, incluindo português, e recursos como identificação automática de falantes e timestamps precisos, o modelo promete democratizar o acesso a tecnologias que antes eram privilégio de grandes corporações.
Mais importante ainda, este lançamento sinaliza o início de uma nova fase na indústria de IA, onde os custos caem dramaticamente enquanto a qualidade continua subindo. Se a Microsoft conseguir replicar este modelo em outras modalidades – visão, geração de código, análise de dados – poderemos estar testemunhando o início de uma commoditização acelerada da IA empresarial. Para o mercado brasileiro, isso significa oportunidades sem precedentes de adotar tecnologias de ponta a custos viáveis.
Fonte original: Este artigo foi adaptado e traduzido a partir da matéria “Microsoft AI’s MAI-Transcribe-2 undercuts OpenAI, Google and ElevenLabs on price and speed” publicada em VentureBeat, disponível em https://venturebeat.com/infrastructure/microsoft-ais-mai-transcribe-2-undercuts-openai-google-and-elevenlabs-on-price-and-speed.
