Släppet
Microsoft AI släppte MAI-Transcribe-2 den 3 september, en tal-till-text-modell byggd internt som täcker 60 språk.
Rubriken är priset: 0,10 dollar per timme ljud. Microsoft beskriver det som ett tidsbegränsat erbjudande som gäller till slutet av 2026, vilket gör det till ett positioneringsdrag snarare än ett fastställt pris. Modellen finns via Microsoft Foundry, MAI Playground och OpenRouter.
Vad Microsoft hävdar
I fråga om precision säger Microsoft att MAI-Transcribe-2 ligger först på FLEURS-testet över 60 språk med en genomsnittlig ordfelfrekvens på 5,2 procent, och tvåa på Artificial Analysis lista över ordfelfrekvens, där bolaget menar att modellen definierar Pareto-fronten mellan precision och svarstid.
I fråga om hastighet hävdar bolaget att modellen är upp till 10 gånger snabbare än OpenAI:s GPT-Transcribe, sju gånger snabbare än ElevenLabs Scribe v2 och fem gånger snabbare än Googles Gemini 3.5 Transcribe.
Samtliga dessa siffror är Microsofts egna, där Microsofts modell jämförs med namngivna konkurrenter. Placeringen hos Artificial Analysis är den enda som mätts utanför bolaget, och den är en andraplats, inte en förstaplats — en skillnad som rubriken på tillkännagivandet inte gör.
Funktionerna som avgör verkliga driftsättningar
Ordfelfrekvens på uppläst tal är inte det som får en transkriberingskedja att brista i produktion. Det är talardiarisering, tidsstämplar per ord, beteende i buller och hantering av språkväxling.
MAI-Transcribe-2 listar alla dessa, plus automatisk språkidentifiering, nyckelordsviktning och konfigurerbara utdataformat: en ren avskrift utan utfyllnadsord, eller strikt ordagrann. Microsoft riktar modellen mot videotextning, möten, journalanteckningar, dokumentation i kundtjänst, tillgänglighetsverktyg och röstagenter.
Röstagentfallet är skälet till att hastighetspåståendena betyder mer än precisionspåståendena. En samtalsagents svarstidsbudget går till största delen åt innan språkmodellen ser ett enda ord, och transkriberingen är en stor del av den.
Vad som händer härnäst
Två saker. Vad priset blir i januari, eftersom 0,10 dollar i timmen uttryckligen är en kampanj och resten av marknaden måste avgöra om den ska följa ett pris som kanske inte består. Och om oberoende utvärdering på verkligt, rörigt ljud — dialekter, överlappande talare, telefonbandbredd — återger en genomsnittlig ordfelfrekvens på 5,2 procent, något tester på uppläst tal som FLEURS inte är byggda för att pröva.
