> ## Content Index > Fetch the complete content index at: https://www.azurebrasil.cloud/llms.txt > Use this file to discover other available public pages before exploring further. # Foundry Labs abril 2026 — o que realmente importa nesse tsunami de modelos de IA - URL: https://www.azurebrasil.cloud/blog/foundry-labs-abril-2026-o-que-realmente-importa-nesse-tsunami-de-modelos-de-ia/ - Published: 2026-04-14T11:59:35.000Z - Updated: 2026-04-14T11:59:35.000Z - Author: Rafael dos Santos Olá pessoALL, se você trabalha com IA no ecossistema Microsoft, já deve ter sentido aquela sensação: abriu o feed de manhã e tinha três modelos novos pra conhecer. Fechou o notebook à noite e já tinha mais dois. A velocidade não para de aumentar e fica cada vez mais difícil separar o que é ruído do que realmente vale seu tempo. Confesso que quando vi o [post da Microsoft](https://techcommunity.microsoft.com/blog/azure-ai-foundry-blog/whats-new-in-foundry-labs---april-2026/4509714?ref=azurebrasil.cloud) sobre as novidades do **Foundry Labs** de abril de 2026, meu primeiro instinto foi pensar "mais uma lista de modelos". Mas resolvi parar, ler com calma e investigar cada um. Tem coisa ali que vai impactar diretamente quem constrói soluções no Brasil. Neste artigo, faço uma curadoria dessas novidades, com foco nos modelos de speech e voz (que foram os que mais me chamaram a atenção), e dou minha opinião honesta sobre o que vale explorar agora. ## O que é o Foundry Labs e por que você deveria conhecer Antes de entrar nos modelos, vale contextualizar. O Foundry Labs é o espaço onde a Microsoft disponibiliza seus experimentos de IA mais recentes. Protótipos de pesquisa que ainda não viraram produto final, mas que já estão acessíveis para desenvolvedores testarem. Pense nele como um sandbox: você entra, experimenta, e decide se aquilo faz sentido pro seu cenário. O endereço é [labs.ai.azure.com](https://labs.ai.azure.com/?ref=azurebrasil.cloud) e vale um bookmark. Na prática, é onde você consegue acesso antecipado a modelos que depois podem aparecer no **Foundry Model Catalog** como soluções prontas para produção. Mas aqui entra o ponto que faz diferença: não adianta visitar o Foundry Labs toda semana e sair testando tudo. A quantidade de modelos novos é grande demais. O que importa é saber **filtrar**. Entender quais novidades resolvem problemas reais dos seus projetos e quais são exercícios de pesquisa interessantes. É isso que vou tentar fazer aqui. ## MAI-Transcribe-1 e MAI-Voice-1, o stack de voz first-party da Microsoft Dos seis modelos anunciados nessa rodada, três são da família **MAI** (Microsoft AI), modelos first-party que já rodam dentro dos próprios produtos da Microsoft: Copilot, Bing, Azure Speech. Não são experimentos acadêmicos. São os mesmos modelos que a Microsoft usa em produção, agora disponíveis pra você. Vamos aos que mais me interessaram. ### MAI-Transcribe-1 O **MAI-Transcribe-1** é o modelo de reconhecimento de fala da Microsoft. Suporta 25 idiomas e aqui vão os números que chamam atenção: - 3,9% de Word Error Rate médio no benchmark FLEURS, superando GPT-Transcribe, Gemini 3.1 Flash e Whisper-large-v3 - Aproximadamente 50% menos custo de GPU em relação às alternativas líderes - 2,5x mais velocidade em transcrição batch comparado ao Azure Fast atual - Preço inicial de US$ 0,36 por hora de áudio Esses números são sólidos. O modelo é ranqueado em 1º lugar no WER geral do FLEURS, e de 25 idiomas principais, vence o Whisper-large-v3 em todos e o Gemini 3.1 Flash em 11. Mas a história real aqui não é o benchmark. É o custo. Se você opera transcrição em escala (call center, legendagem automática, acessibilidade), uma redução de 50% no custo de GPU muda a viabilidade financeira do projeto. Benchmark bonito com preço inviável não resolve o problema de ninguém. Agora, uma observação importante para nós brasileiros: o MAI-Transcribe-1 suporta "os 25 idiomas mais falados do mundo". Português é o 6º idioma mais falado globalmente. É quase certo que está na lista. Mas — e aqui vai minha frustração — a Microsoft não publicou a lista completa de idiomas em nenhuma página que encontrei. Nem no Foundry Labs, nem no blog oficial, nem na documentação do Azure Speech. Tentei confirmar e não consegui uma resposta definitiva. Fica a dica pra Microsoft: publiquem a lista. ### MAI-Voice-1 Na outra ponta, o **MAI-Voice-1** é o modelo de geração de fala. Os destaques: - Gera 60 segundos de áudio expressivo em menos de 1 segundo, numa única GPU - Preserva identidade do speaker e nuances emocionais em conteúdo longo - Suporta criação de voz personalizada a partir de poucos segundos de áudio (via Personal Voice no Azure Speech) - Controle fino de tom e emoção via SSML - Preço inicial de US$ 22 por 1 milhão de caracteres Aqui vale um parêntese prático: a combinação de MAI-Transcribe-1 + MAI-Voice-1 cria um stack completo de entrada e saída de voz, tudo first-party, dentro do Azure Speech. Se você está construindo um voice agent ou qualquer solução de IA conversacional com voz, ter transcrição e geração no mesmo lugar simplifica a arquitetura. Sobre suporte a idiomas no MAI-Voice-1? Nenhuma documentação que encontrei lista os idiomas suportados. O modelo roda dentro do Azure Speech (que tem 700+ vozes em dezenas de idiomas), então a expectativa é positiva para Português. Mas não tenho como confirmar. Mais um ponto sem resposta oficial. ## VibeVoice ASR — 60 Minutos Sem Cortes Agora, dos modelos que encontrei no Foundry Labs nessa rodada, o **VibeVoice ASR** é o que mais me fez parar e prestar atenção. Pra contextualizar: a maioria dos sistemas de transcrição automática trabalha fatiando o áudio em pedaços menores — 30 segundos, 1 minuto — e depois costurando os resultados. Funciona? Funciona. Mas quem já tentou transcrever uma reunião de 1 hora sabe os problemas: perda de contexto entre os cortes, speakers misturados, timestamps desalinhados. O VibeVoice ASR resolve isso de um jeito que me pareceu elegante: transcreve até 60 minutos de áudio contínuo em um único passo de inferência. Sem chunking, sem stitching. Nada de cortar e costurar. Mas o que realmente diferencia não é só a duração. Num único passo, o modelo entrega transcrição (o que foi dito), diarização de speakers (quem disse) e timestamps (quando disse). Tudo junto, sem pipeline de pós-processamento. Você joga o áudio de uma reunião inteira e recebe de volta um documento estruturado com quem falou o quê e quando. Além disso, ele aceita hotwords customizados (injete nomes próprios, termos técnicos, jargão da empresa pra melhorar a precisão), suporta 50+ idiomas com code-switching nativo, e se integra ao ecossistema Hugging Face Transformers. Se você trabalha com transcrição de reuniões, atendimento ao cliente ou produção de conteúdo, o VibeVoice muda a pergunta. Você para de pensar em "como fatiar e costurar áudio longo" e começa a pensar em "como processar a conversa inteira de uma vez". Sobre Português: a mesma situação dos modelos MAI. São 50+ idiomas, mas sem lista publicada. Considerando o foco multilíngue com code-switching nativo, a expectativa é boa. Mas confirmação oficial? Nenhuma. ## O que mais chegou ao Foundry Labs Além do stack de voz, outros modelos apareceram nessa rodada que merecem ao menos um comentário. ### Harrier-oss-v1 O **Harrier-oss-v1** é uma família de modelos open-source de **text embeddings**, aqueles vetores numéricos que representam o significado de um texto e que são essenciais pra qualquer pipeline de busca semântica, RAG ou classificação. Três tamanhos: | Modelo | Parâmetros | Dimensão | MTEB v2 Score | | ------------------- | ---------- | -------- | ------------- | | harrier-oss-v1-270m | 270M | 640 | 66.5 | | harrier-oss-v1-0.6b | 0.6B | 1,024 | 69.0 | | harrier-oss-v1-27b | 27B | 5,376 | 74.3 | Os três alcançam os melhores resultados no benchmark Multilingual MTEB v2 na data de publicação. Os modelos menores (270M e 0.6B) usam **knowledge distillation** do modelo de 27B, então você consegue performance competitiva numa fração do tamanho. Aqui vai a informação que mais importa pra nós: o Harrier suporta 94 idiomas e **Português está confirmado** na lista oficial do HuggingFace. Pra quem está construindo pipelines de RAG em Português, isso é relevante. Embeddings multilíngues de qualidade são o gargalo silencioso de muita aplicação de IA no Brasil. Um detalhe que gostei: o Harrier é instruction-tuned. Você customiza o comportamento dos embeddings pra diferentes cenários adicionando uma instrução em linguagem natural antes da query. Sem fine-tuning. Muda o prompt e o modelo ajusta como gera os vetores. ### Phi-4-Reasoning-Vision-15B O Phi-4-Reasoning-Vision-15B combina percepção visual de alta resolução com raciocínio seletivo. O detalhe mais interessante: você pode ligar e desligar o raciocínio em runtime, balanceando latência e precisão conforme o cenário. Com 15 bilhões de parâmetros, compete com modelos muito maiores: 88,2% no ScreenSpot\_v2 e 83,3% no ChartQA. Cenários práticos incluem interpretação de diagramas, análise de documentos, cenários de CUA (Computer-Use Agent) e tutoria educacional. Pra quem precisa de raciocínio visual mas não pode pagar o custo de modelos gigantes, o Phi-4 é a opção pragmática. ### MAI-Image-2 O MAI-Image-2 estreou em 3º lugar no leaderboard do Arena.ai para famílias de modelos text-to-image. É 2x mais rápido que seu antecessor, com melhorias em iluminação natural, tons de pele e clareza de texto em imagens. A WPP já está usando em escala. Preço: US$ 5 por 1M tokens (input de texto) e US$ 33 por 1M tokens (output de imagem). ### GigaTIME Menção rápida ao GigaTIME, desenvolvido pela Microsoft Research com a Providence e a Universidade de Washington. Transforma lâminas de patologia de rotina (US$ 5-10 por amostra) em imagens virtuais de imunofluorescência multiplex. Foi aplicado a 14.256 pacientes em 51 hospitais. Nicho muito específico, mas vale ficar de olho. ## Por que isso importa pra quem trabalha com Azure no Brasil Se você chegou até aqui, deixa eu conectar os pontos. O que essa rodada do Foundry Labs sinaliza é que a Microsoft está montando um stack de IA first-party completo (voz, visão, embeddings, raciocínio) e disponibilizando tudo dentro do Azure. Pro mercado brasileiro, algumas coisas me chamaram atenção. Voice agents ficam mais viáveis quando o custo de transcrição e geração de voz cai pela metade, e atendimento telefônico ainda domina vários setores aqui. O Harrier com suporte confirmado a Português e instruction-tuning sem fine-tuning reduz a barreira pra quem quer RAG decente em PT-BR. E o Phi-4 mostra que não precisa de modelos de 100B+ parâmetros pra ter raciocínio visual, o que importa quando o orçamento é em Real e cada dólar de GPU conta. Mesmo que você não vá usar nenhum desses modelos amanhã, manter o Foundry Labs no radar te dá visibilidade sobre a direção que a Microsoft está tomando. Antecipar a direção da plataforma onde você constrói é vantagem competitiva. Dito isso, faça um exercício: abra o [Foundry Labs](https://labs.ai.azure.com/?ref=azurebrasil.cloud), navegue pelos modelos, e se pergunte "qual desses resolve um problema que eu tenho hoje?". Se a resposta for nenhum, tudo bem. Volte mês que vem. Se a resposta for um ou dois, vale investir algumas horas explorando. ## Conclusão Dessa rodada toda, o stack de voz é o que mais me grudou na cabeça. O VibeVoice ASR processando uma reunião inteira sem cortes, o MAI-Transcribe-1 batendo o Whisper por metade do custo de GPU, o MAI-Voice-1 gerando um minuto de áudio em menos de um segundo. Isso abre portas concretas pra quem trabalha com voz no Brasil. Minha frustração continua sendo a falta de listas oficiais de idiomas. Pra comunidade brasileira de desenvolvedores, saber se Português está na lista não é detalhe, é o que decide entre "vou testar" e "vou ignorar". Se você experimentar algum desses modelos, compartilha nos comentários o que achou. Aqui na AzureBrasil.cloud nós estamos acompanhando de perto e pretendo trazer mais conteúdo conforme for testando na prática. \[\]s e até a próxima ## Referências ### Anúncios Oficiais - [What's new in Foundry Labs — April 2026](https://techcommunity.microsoft.com/blog/azure-ai-foundry-blog/whats-new-in-foundry-labs---april-2026/4509714?ref=azurebrasil.cloud) — Post original com todas as novidades - [Introducing MAI-Transcribe-1, MAI-Voice-1, and MAI-Image-2 in Microsoft Foundry](https://aka.ms/mai-foundry-tcblog?ref=azurebrasil.cloud) — Post detalhado sobre os modelos MAI ### Foundry Labs e Model Catalog - [Foundry Labs](https://labs.ai.azure.com/?ref=azurebrasil.cloud) — Sandbox de experimentos de IA da Microsoft - [Foundry Model Catalog](https://ai.azure.com/?ref=azurebrasil.cloud) — Catálogo de modelos prontos para deploy ### Modelos Individuais - [MAI-Transcribe-1 no Foundry Labs](https://labs.ai.azure.com/projects/mai-transcribe-1/?ref=azurebrasil.cloud) - [MAI-Voice-1 no Foundry Labs](https://labs.ai.azure.com/projects/mai-voice-1/?ref=azurebrasil.cloud) - [VibeVoice ASR no Foundry Labs](https://labs.ai.azure.com/projects/vibevoice-asr/?ref=azurebrasil.cloud) - [Harrier-oss-v1 no Foundry Labs](https://labs.ai.azure.com/projects/harrier-oss-v1/?ref=azurebrasil.cloud) - [Harrier-oss-v1 no HuggingFace](https://huggingface.co/microsoft/harrier-oss-v1-0.6b?ref=azurebrasil.cloud) — Inclui lista de idiomas suportados e exemplos de código - [Phi-4-Reasoning-Vision-15B no Foundry Labs](https://labs.ai.azure.com/projects/phi-4-reasoning-vision-15b/?ref=azurebrasil.cloud) - [GigaTIME no Foundry Labs](https://labs.ai.azure.com/projects/gigatime/?ref=azurebrasil.cloud) ### Azure Speech - [Azure Speech](https://aka.ms/azurespeech?ref=azurebrasil.cloud) — Plataforma de speech da Microsoft onde MAI-Transcribe-1 e MAI-Voice-1 estão disponíveis - [MAI Playground](https://playground.microsoft.ai/?ref=azurebrasil.cloud) — Teste os modelos MAI diretamente no browser ### Comunidade - [Microsoft Foundry Discord](https://discord.com/invite/microsoftfoundry?ref=azurebrasil.cloud) — Comunidade oficial para discussão e feedback