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 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 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, 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 — Post original com todas as novidades
• Introducing MAI-Transcribe-1, MAI-Voice-1, and MAI-Image-2 in Microsoft Foundry — Post detalhado sobre os modelos MAI

Foundry Labs e Model Catalog

• Foundry Labs — Sandbox de experimentos de IA da Microsoft
• Foundry Model Catalog — Catálogo de modelos prontos para deploy

Modelos Individuais

• MAI-Transcribe-1 no Foundry Labs
• MAI-Voice-1 no Foundry Labs
• VibeVoice ASR no Foundry Labs
• Harrier-oss-v1 no Foundry Labs
• Harrier-oss-v1 no HuggingFace — Inclui lista de idiomas suportados e exemplos de código
• Phi-4-Reasoning-Vision-15B no Foundry Labs
• GigaTIME no Foundry Labs

Azure Speech

• Azure Speech — Plataforma de speech da Microsoft onde MAI-Transcribe-1 e MAI-Voice-1 estão disponíveis
• MAI Playground — Teste os modelos MAI diretamente no browser

Comunidade

• Microsoft Foundry Discord — Comunidade oficial para discussão e feedback