A Microsoft lançou em 1º de outubro de 2026 o MAI-Transcribe-2-Streaming para transcrição em tempo real e os modelos MAI-Voice-2.1 e Voice-2.1-Flash para voz multilíngue. O conjunto mira agentes que ouvem, decidem e respondem com baixa latência. Antes de levar a tecnologia ao atendimento, empresas devem testar português, ruído, nomes próprios, consentimento, custo por conversa, escalada humana e comportamento quando a transcrição estiver errada.
Entenda o ciclo completo do agente de voz
Uma conversa automatizada depende de quatro etapas: ouvir, transcrever, decidir e falar. A velocidade de apenas um componente não garante naturalidade. Some detecção de início e fim da fala, rede, raciocínio, consulta a sistemas, aprovação de ações e síntese da resposta.
Defina uma meta por caso de uso. Um atendente para consulta de pedido pode tolerar uma pausa curta e priorizar precisão. Uma conversa de triagem pode exigir interrupção e retomada mais naturais. Não reduza latência removendo validações que impedem ações ou informações incorretas.
Avalie o MAI-Transcribe-2-Streaming com áudio real
A Microsoft informa suporte a transcrição em 60 idiomas, detecção contínua de idioma e primeiras hipóteses pouco depois de 100 milissegundos. Essas hipóteses parciais são revisadas com a chegada de contexto. Um agente pode começar a preparar a resposta antes do fim da fala, mas não deve confirmar uma ação com texto ainda instável.
Monte um conjunto de chamadas com ruído, sotaques, interrupções, números, endereços, nomes de clientes e termos do negócio. Meça erro de palavras e, principalmente, erro de intenção. Uma troca pequena em data, valor ou negação pode ter impacto maior que várias diferenças de pontuação.
Teste voz multilíngue sem presumir localização perfeita
O MAI-Voice-2.1 e a variante Flash suportam 23 idiomas e 26 localidades, segundo a Microsoft. A proposta é manter a mesma identidade vocal ao alternar idiomas, com pronúncia local. Confirme se português brasileiro está disponível na superfície contratada e teste vocabulário, formalidade, ritmo e números usados pela operação.
Uma voz consistente ajuda a marca, mas não substitui localização. Saudações, formas de pagamento, horários, regras e expectativas mudam por país. Crie roteiro e revisão por mercado. Evite imitar uma pessoa real sem autorização e registre consentimento e licença para qualquer voz de referência.
Calcule custo por conversa concluída
O preço introdutório anunciado para o MAI-Transcribe-2-Streaming é de US$ 0,54 por hora de áudio até o fim de 2026. O MAI-Voice-2.1 custa US$ 22 por milhão de caracteres, e a variante Flash, US$ 15 por milhão. Confirme a tabela atual, região, provedor e impostos antes de fechar orçamento.
Some transcrição, síntese, modelo de raciocínio, ferramentas, telefonia, armazenamento, observabilidade e atendimento humano. Divida pelo número de conversas resolvidas com qualidade, não por minutos processados. Uma chamada barata que gera retorno, reclamação ou retrabalho pode custar mais que um fluxo um pouco mais lento e preciso.
- Custo total por conversa iniciada
- Custo por resolução confirmada
- Latência no percentil 95
- Taxa de transcrição crítica incorreta
- Transferência e repetição por cliente
Limite ações durante transcrições parciais
Use texto parcial para preparar busca ou antecipar uma intenção, mas espere confirmação estável antes de alterar cadastro, aceitar pedido, marcar horário ou informar valor. Repita dados críticos e peça confirmação clara. Se a confiança cair, faça uma pergunta curta ou transfira para uma pessoa.
Impeça que ruído, fala de terceiros ou conteúdo reproduzido em outra mídia seja tratado como autorização. Use autenticação adequada ao risco e nunca considere apenas a voz como prova suficiente para operações sensíveis. Registre transcrição, versão do modelo, ferramenta chamada e decisão tomada.
Proteja consentimento, dados e escalada humana
Informe quando a pessoa conversa com um sistema automatizado e explique gravação ou tratamento de áudio conforme a legislação e a finalidade aplicável. Retenha apenas o necessário, controle acesso e defina como o titular exerce seus direitos. Áudio e transcrição podem conter dados pessoais, financeiros ou de saúde.
Ofereça saída humana direta para falha repetida, tema sensível, pedido explícito ou ação fora do escopo. A transferência deve levar resumo, etapa atual e dados já confirmados, sem obrigar o cliente a repetir tudo. Monitore reclamações, abandono e correções feitas por agentes humanos.
Faça um piloto comparável antes de escalar
Comece com uma intenção estreita e reversível, como consultar status ou encaminhar uma solicitação. Compare o agente com o processo atual usando as mesmas definições de resolução, satisfação, duração, erro e custo. Inclua horários de pico e conexões ruins.
As avaliações de velocidade e precisão publicadas são resultados da Microsoft e de benchmarks citados por ela. Reproduza o cenário da sua empresa. Avance apenas quando português, dados críticos, ferramentas, escalada e custo por resultado estiverem dentro dos limites aprovados.
Para levar daqui
Agentes de voz úteis combinam transcrição rápida com decisões cautelosas. Teste idiomas e ruído reais, confirme dados críticos, limite ações em texto parcial e meça custo por resolução, não apenas preço por hora ou por caractere.
