Час аудио за 10 центов вместо 36

Microsoft AI 3 сентября открыла в Foundry и MAI Playground модель распознавания речи MAI-Transcribe-2. Стартовая цена - 10 центов за час аудио против 0,36 доллара у первой версии линейки в апреле, примерно на 72% меньше. Издание VentureBeat в своём разборе объясняет такую цену прежде всего скоростью: при пакетной расшифровке пропускная способность напрямую превращается в стоимость.

Для компании, которая прогоняет через расшифровку 100 000 часов звонков в год, счёт падает с 36 000 до 10 000 долларов. Microsoft называет новую цену предложением для ранних клиентов, но дату окончания и обычный тариф после него не назвала.

Откуда такая цена

По замерам Artificial Analysis, MAI-Transcribe-2 в 10 раз быстрее GPT-Transcribe от OpenAI, в 7 раз быстрее Scribe v2 от ElevenLabs и в 5 раз быстрее Google Gemini 3.5 Transcribe. Когда расшифровка идёт пакетами, результата никто не ждёт в реальном времени, поэтому скорость здесь измеряется в GPU-часах. Модели, которая работает в 300 раз быстрее реального времени, нужна лишь доля того железа, что требуется модели с ускорением в 30 раз. Судя по всему, именно этот запас и даёт Microsoft держать такую цену без убытка.

О том же говорил Мустафа Сулейман, глава Microsoft AI, ещё в апреле, когда рассказывал The Verge о первой модели. По его словам, она работала за «половину стоимости GPU других передовых моделей», и для Microsoft это «огромная экономия». Сделала её, по словам Сулеймана, «небольшая сфокусированная команда из 10 человек», «освобождённая от всякой бюрократии», а закупками данных и работой с подрядчиками занималась группа вокруг неё.

2 апреля вышла MAI-Transcribe-1 на 25 языках, 2 июня - MAI-Transcribe-1.5 на 43 языках и с подсказкой ключевых слов. Во второй версии 60 языков, к ним добавились разделение говорящих, пословные метки времени и смена языка посреди фразы. В карточке первой модели в Foundry Microsoft обещала диаризацию, подсказку контекста и расшифровку в реальном времени. Первые две функции в MAI-Transcribe-2 уже работают.

Как читать 5,2% на FLEURS

Первое место Microsoft заявляет на FLEURS, по собственным замерам. Этот бенчмарк исследователи Google опубликовали в 2022 году: носители читают около 2 000 предложений на каждом из 102 языков, примерно 12 часов речи на язык. Одинаковый текст позволяет сравнить точность модели на суахили и на шведском. Метрика здесь WER, доля ошибочных слов: замены, вставки и пропуски относительно эталонной расшифровки человеком. Средние 5,2% по 60 языкам означают, что неверно примерно одно слово из 20.

У MAI-Transcribe-1.5 в июне Microsoft указывала 3,7%. Рост VentureBeat объясняет шириной охвата: в среднее по 60 языкам вместо 43 вошли малоресурсные языки, на которых ошибаются все модели. Отсюда и совет запрашивать разбивку по языкам: те же 5,2% в среднем могут складываться из 3% на крупных языках и 12% на редких. Кроме того, FLEURS проверяет чтение вслух, а живой разговор он не измеряет.

Второй замер независимый. Artificial Analysis тестирует модели через публичные API на смеси симулированных диалогов с агентами, выступлений в Европарламенте и звонков по квартальной отчётности, с перевесом в сторону деловой английской речи. В июне MAI-Transcribe-1.5 была там третьей с 2,4% WER, после Fun-Realtime-ASR-preview от Alibaba и Scribe v2. MAI-Transcribe-2 поднялась на второе место и, судя по всему, обошла ElevenLabs, а Alibaba по точности Microsoft обойти не заявляет. Кроме того, модель лежит на парето-фронте точности и задержки: ни один конкурент не точнее её без потери в скорости и не быстрее без потери в точности.

Для голосовых агентов и живых субтитров нужен потоковый режим, и у Artificial Analysis для него отдельный рейтинг. MAI-Transcribe-2 Microsoft продвигает для пакетной обработки и длинных записей. Тем временем Meta 1 сентября показала на потоковом рейтинге Muse Voice Transcribe с 3,1% ошибочных слов.

Что настраивается в API

Согласно документации Microsoft Learn, модель вызывается через блок enhancedMode с enabled: true и model: "MAI-Transcribe-2". Остальное включается отдельными параметрами:

• диаризация делит запись по говорящим, но работает на более коротких записях, чем расшифровка без неё;
• метки времени задаются значениями "word", "segment" или "none";
• список терминов в phraseList.phrases служит подсказкой и не навязывается в вывод: туда кладут названия препаратов, коды продуктов, аббревиатуры и имена, которые трудно угадать по контексту;
• transcribeStyle переключает режимы: "verbatim" сохраняет каждое «э-э», оговорку и запинку для комплаенса и юристов, "clean" убирает их для субтитров и заметок, по умолчанию стоит verbatim;
• язык определяется автоматически, а явное указание через locales модель воспринимает как очень сильную подсказку.

Смену языка посреди фразы Microsoft показывает на хинглише и спанглише: в одном звонке в службу поддержки в Индии или у испаноязычных клиентов в США язык может смениться десяток раз. При этом WER ничего не говорит о качестве диаризации: расшифровка может быть почти безошибочной и всё равно приписывать каждую вторую реплику не тому человеку.

Зачем Microsoft своя расшифровка

Microsoft вложила в OpenAI больше 13 миллиардов долларов, но в октябре 2025 года условия партнёрства пересмотрели, и компания получила право самостоятельно заниматься AGI. По сообщениям, в апреле договор снова изменили: эксклюзивный доступ Microsoft к моделям OpenAI закончился. В июле Bloomberg сообщил, что часть запросов в Word и Excel уже обслуживают модели MAI. С расшифровкой замена, вероятно, пойдёт быстрее всего: у Microsoft есть Teams с огромным объёмом записей встреч, Nuance с клинической документацией и речевые сервисы Azure, которые уже вызывают тысячи компаний.

В Microsoft Learn сейчас поддерживаются все три модели линейки, но MAI-Transcribe-1 помечена устаревшей с 20 августа.