微软的 MAI-Transcribe-2 将转录价格下调 72%，以削弱 OpenAI 和 Google 的优势

Microsoft AI 的新型 MAI-Transcribe-2 每个音频小时的成本为 0.10 美元，在 60 种语言的 FLEURS 基准测试中名列前茅，并且可以在几秒钟内转录一小时的音频。

随着 MAI-Transcribe-2 的推出，微软将人工智能驱动的语音转录的价格降低了 72%，MAI-Transcribe-2 是其内部微软人工智能部门的新模型，该公司表示，该模型在准确性和速度上都击败了 OpenAI、谷歌和 ElevenLabs。该型号于 2026 年 9 月 3 日推出，截至 2026 年 12 月 31 日，每小时音频价格仅为 0.10 美元，较 6 月份微软对其之前的 MAI-Transcribe-1.5 型号每小时 0.36 美元的收费大幅下降。

此举是迄今为止最明显的迹象，表明 Mustafa Suleyman 的微软人工智能部门（围绕微软 2024 年 3 月从 Inflection AI 聘请的团队组建）打算与其曾经依赖的合作伙伴和竞争对手直接竞争。对于跟踪 AI API 快速变化的经济状况的开发人员来说，AI Buzz Wire 涵盖了每一个主要的 AI 工具的发布。

降价背后的数字

根据 Microsoft 的发布帖子和 VentureBeat 的基准测试报道，MAI-Transcribe-2 在 60 种语言的 FLEURS 多语言基准测试中排名第一，平均单词错误率为 5.2%。在Artificial Analysis的独立非流媒体排行榜上，该模型的单词错误率为2.0%，准确度总体排名第二，仅次于阿里巴巴的Fun-Realtime-ASR-preview。

微软声称，速度是真正拉开差距的地方。根据人工分析评估，该公司表示，MAI-Transcribe-2 的运行速度比 OpenAI 的 GPT-Transcribe 快 10 倍，比 ElevenLabs 的 Scribe v2 快 7 倍，比 Google 的 Gemini 3.5 Transcribe 快 5 倍。 Artificial Analysis 目前列出的模型的中位速度因子为 410.7，这意味着一小时的音频可以在大约 9 到 10 秒内转录回来。

模型可以做什么

除了原始速度和价格之外，功能列表还针对生产工作负载而不是演示。 MAI-Transcribe-2 通过 Microsoft Foundry、MAI Playground 和 OpenRouter 提供，支持自动语言识别、句子中间语言之间的代码切换、说话人分类、单词级时间戳、关键字偏差和可配置的转录样式。

这些功能决定了转录文本是否真的可以在转录赚钱的环境中使用：路由客户投诉的呼叫中心、记录就诊的诊所、处理采访的新闻编辑室以及多人互相交谈的会议室。关键词偏差尤其可以让开发人员教授模型特定领域的词汇——药物名称、产品 SKU、法律术语——而无需重新训练任何内容。

Suleyman 商店的深思熟虑的策略

MAI-Transcribe-2 是 Microsoft AI 三个月内的第二个转录模型。 MAI-Transcribe-1 以每小时 0.36 美元的价格推出，MAI-Transcribe-1.5 紧随其后，于 6 月推出，支持 43 种语言，在人工分析方面排名第三。新型号将覆盖范围扩大到 60 种语言，同时价格降低了三分之二以上。

该部门此前已交付用于文本的 MAI-1 和用于语音生成的 MAI-Voice-1，以及最新的网络安全和图像模型。发布会上明显没有提及 Copilot 或 OpenAI——值得注意的是，微软在 OpenAI 上投资了数十亿美元，并且通过该合作伙伴关系路由人工智能功能的历史。相反，微软正在销售一种微软品牌的模型，与 OpenAI 自己的转录产品展开正面竞争。