MAI-Voice 2.1 de Microsoft: la voz de IA que la mitad cree humana

MAI-Voice 2.1 es el nuevo modelo de voz sintética de Microsoft AI, lanzado el 1 de octubre de 2026. Según Microsoft, el 50.3 % de los oyentes juzgó su voz igual o más humana que una grabación de una persona. Hablamos de qué hace, cuánto cuesta y qué implica.

Qué es MAI-Voice 2.1 y qué dice la prueba

Microsoft reporta que la mitad de los oyentes calificó la voz como igual o más humana que una grabación real. Es una cifra de la propia empresa, así que conviene leerla como tal: no es una auditoría independiente. Aun así, deja una regla práctica: oír una voz humana ya no prueba que hable una persona.

Qué puede hacer: tres capacidades clave

• Hablar en 23 idiomas, a 22 dólares por millón de caracteres.
• Clonar una voz con solo 5 segundos de audio, sin estudio ni locutor.
• Versión Flash: responde en 150 milisegundos y cuesta 15 dólares por millón de caracteres.

Además de generar voz, el modelo también transcribe en vivo en 60 idiomas.

Precio de lanzamiento: ojo con la fecha

Microsoft ofrece un precio de 54 centavos de dólar la hora, pero es solo de lanzamiento y llega hasta fin de año. Si vas a presupuestar un proyecto, no lo tomes como tarifa definitiva.

¿Cómo aplicarlo en tu empresa?

Si cotizas voces para un cliente (anuncios, atención telefónica, cursos o videos), este tipo de voz sintética cambia la conversación: el costo ya no está en la voz, sino en el guion, es decir, en lo que dice. Compara las tarifas por millón de caracteres, decide si te basta la versión Flash por su velocidad y confirma el precio vigente antes de cerrar presupuesto. Y si clonas una voz, asegúrate de contar con autorización de quien la presta.

Microsoft AI también movió el precio de la transcripción: lee el análisis completo sobre la transcripción de Microsoft AI a 10 centavos la hora.

Preguntas frecuentes

¿Qué es MAI-Voice 2.1?

Es el modelo de voz sintética de Microsoft AI, lanzado el 1 de octubre de 2026.

¿Cuántos idiomas habla?

Habla 23 idiomas y transcribe en vivo 60 idiomas.

¿Cuánto cuesta?

La voz estándar cuesta 22 dólares por millón de caracteres y Flash, 15. El precio de 54 centavos la hora es de lanzamiento, hasta fin de año.

¿Cuánto audio necesita para clonar una voz?

Según Microsoft, 5 segundos de audio.

Conclusión

MAI-Voice 2.1 muestra que la voz de IA ya se confunde con la humana para la mitad de los oyentes, según Microsoft. Guarda este resumen para la próxima vez que cotices una voz para un cliente.