MAI-Transcribe-2 vs GPT Transcribe: Microsoft supera a OpenAI en su Transcript en todos los números

Three numbers separate {{1}}MAI-Transcribe-2{{/1}} from {{2}}GPT Transcribe{{/2}}, and every one of them points in the same direction. On Artificial Analysis's non-streaming word-error-rate leaderboard, {{1}}MAI-Transcribe-2{{/1}}, released by Microsoft on September 3, 2026, measures 2.0% AA-WER against 3.31% for {{2}}GPT Transcribe{{/2}}, OpenAI's pre-recorded transcription API that launched five weeks earlier on July 28, 2026. On the same board's speed factor, {{1}}MAI-Transcribe-2{{/1}} runs at roughly 411× real time against {{2}}GPT Transcribe{{/2}}'s roughly 34×. And on price, {{1}}MAI-Transcribe-2{{/1}} lists at $0.10 per audio-hour — about $1.67 per 1,000 minutes as a limited-time launch offer — against {{2}}GPT Transcribe{{/2}}'s $4.50 per 1,000 minutes. That last gap is a 63% undercut, and it lands on a product OpenAI repriced 25% downward just weeks ago. This is what a commodity market looks like the moment a second frontier lab decides to compete on price.

La brecha, un número a la vez.

La precisión es lo primero, porque es la cifra que ningún proveedor puede ocultar tras una afirmación de marketing. El 2,0% y el 3,31% provienen del mismo banco de pruebas independiente, Artificial Analysis, ejecutado contra ambos modelos — lo que convierte la diferencia de 1,3 puntos en el hecho más claro de toda esta comparación: aproximadamente trece errores menos por cada mil palabras en la misma métrica de WER. El 3,31% de GPT Transcribe ya era una mejora de unos 0,7 puntos sobre su predecesor, GPT-4o Transcribe, y las propias ejecuciones multilingües de OpenAI mostraron que reducía aproximadamente a la mitad las tasas de error de la era Whisper. Microsoft ha ocupado ahora el segundo puesto en solitario en esa misma clasificación, y en FLEURS multilingüe informa de un WER promedio del 5,2% en 60 idiomas — una cifra que proviene del comunicado de lanzamiento de Microsoft y que aún no se ha reproducido de forma independiente por idioma.

La velocidad, a continuación. El tiempo real aproximado de 34× de GPT Transcribe es típico para un endpoint de transcripción asíncrona: un archivo de una hora en unos dos minutos de cómputo. El tiempo real aproximado de 411× de MAI-Transcribe-2 transcribe la misma hora en menos de nueve segundos de cómputo. Según las cifras de Artificial Analysis, la brecha real se acerca más a 12×; Microsoft lo comercializa como "10 veces más rápido que GPT-Transcribe de OpenAI", lo que supone que el proveedor redondea a la baja su propia ventaja en lugar de al alza, un indicio inusual. La advertencia honesta es que la cifra de MAI-Transcribe-2 tiene cuatro días de antigüedad y corresponde al rendimiento de procesamiento por lotes, no a la latencia en vivo, mientras que la de GPT Transcribe tiene cinco semanas de tráfico de producción detrás. Pero nada en la arquitectura de los dos productos sugiere que la brecha de velocidad se vaya a cerrar; están construidos para la misma tarea por lotes con eficiencias muy diferentes.

El precio va al final, porque es el número que cambia las decisiones. GPT Transcribe se ofrece a $0.0045 por minuto — $4.50 por cada 1,000 minutos, unos $0.27 por hora de audio — tras el recorte de julio de OpenAI desde los $0.006 de GPT-4o Transcribe. MAI-Transcribe-2 tiene un precio de $0.10 por hora de audio hasta fin de año, sin precio estándar publicado para después de la promoción. En 1,000 horas de audio al mes, la diferencia es de unos $170: aproximadamente $100 con la tarifa de lanzamiento de MAI-Transcribe-2 frente a unos $270 al precio de lista de GPT Transcribe. El recorte del 25% de OpenAI en julio parecía agresivo; la subcotización de Microsoft, un 63% por debajo del precio posterior al recorte, es un movimiento de otra categoría, y es toda la razón por la que existe esta comparación.

Por qué la cifra de OpenAI era la creíble

Hay una razón por la que el 3,31 % de AA-WER de GPT Transcribe pesó más que la mayoría de las cifras de lanzamiento: había sido auditado de forma independiente, y la auditoría sobrevivió al contacto con audio difícil. La misma ejecución de Artificial Analysis que produjo la cifra principal también sacó a la luz el punto débil de GPT Transcribe —un 6,10 % de WER en el conjunto de llamadas de resultados Earnings22, el benchmark público más difícil de la categoría—, lo que indicó a los compradores exactamente dónde no utilizarlo. A continuación llegaron cinco semanas de tráfico de producción, y el recorte de precios de OpenAI demostró que competía en coste en lugar de proteger su margen de forma defensiva. GPT Transcribe también hereda la limitación práctica de su API: es un producto exclusivamente por lotes, con archivos de hasta 25 MB por solicitud, sin nivel de streaming al precio de 4,50 $, sin diarización, sin sesgo de vocabulario y solo con los idiomas que OpenAI ha publicado. Se limita a transcribir; todo lo que queda por encima de las palabras es problema del llamante.

Esa claridad es lo que hizo que GPT Transcribe fuera digno de confianza, y es exactamente {{1}}la claridad que un modelo de cuatro días aún no se ha ganado{{/1}}. Microsoft no ha publicado ninguna tasa de error de diarización para MAI-Transcribe-2, ninguna tabla de precisión por idioma que respalde su promedio de FLEURS de 60 idiomas, ni ningún SKU de streaming. Ninguna de esas omisiones significa que el modelo sea débil — {{2}}la diarización integrada y una cobertura de 60 idiomas son una superficie de producto real que GPT Transcribe ni siquiera ofrece{{/2}} — pero cada una es un punto donde una ejecución independiente podría revisar el relato. La cifra de precisión está medida por AA y es real; el producto que la rodea no está probado precisamente en los aspectos que solo el tráfico de producción revela.

Los conjuntos de características no tienen la misma forma.

• Diarización — MAI-Transcribe-2 incluye la atribución de hablante sin una tasa de error publicada; GPT Transcribe no la ofrece en absoluto, por lo que la transcripción llega como un flujo indiferenciado.

• Control — MAI-Transcribe-2 ofrece sesgo de palabras clave para nombres y jerga, además de estilos de transcripción verbatim y limpia; GPT Transcribe no ofrece ninguna de estas opciones, ya que devuelve palabras sin procesar y texto sin puntuación para que el usuario realice el postprocesamiento.

• Marcas de tiempo: ambos devuelven una salida alineada temporalmente; las de MAI-Transcribe-2 son a nivel de palabra sin configuración adicional.

• Idiomas — MAI-Transcribe-2 ofrece 60 con identificación automática; GPT Transcribe no publica su lista de idiomas, lo cual constituye en sí mismo un problema de planificación para cargas de trabajo multilingües.

• Streaming — El nivel de $4.50 de GPT Transcribe es solo por lotes, y su producto hermano de streaming, GPT Live Transcribe, es un producto separado a $17 por 1,000 minutos; MAI-Transcribe-2 no tiene ningún producto de streaming, ni anunciado ni demostrado.

• Shape — ambos son API gestionadas para archivos pregrabados, por lo que esta comparación es justa; la diferencia es que Microsoft incorporó más del útil posprocesamiento en el producto base por un tercio del precio.

Quién debe mudarse, y cuándo

Si transcribes audio por lotes a gran volumen y la tarifa de lanzamiento sobrevive al contacto con tus propios archivos, MAI-Transcribe-2 es la opción racional por defecto ahora mismo: mejor WER medido, aproximadamente doce veces el rendimiento y un precio un 63 % inferior por cada 1.000 minutos en un producto que incluye diarización y control de estilo por los que OpenAI no cobra nada extra — porque no los ofrece. El cambio cuesta poco: una prueba con una muestra de tu audio más difícil resuelve la mayor parte de la incertidumbre, y la tarifa de 1,67 $ hace que el experimento sea casi gratis hasta final de año.

Si tu carga de trabajo es crítica para la producción, está sujeta a regulación o ya está integrada con OpenAI, la ventaja inicial de cinco semanas y la debilidad publicada en Earnings22 valen más que la diferencia de precio. GPT Transcribe es el modelo cuyos modos de fallo puedes identificar; los de MAI-Transcribe-2 todavía se están descubriendo. El patrón prudente es exactamente el que una capa de enrutamiento existe para respaldar: mantener el modelo probado como predeterminado y enviar una porción medida del tráfico al desafiante, comparando las transcripciones sobre tus propios datos antes de promover nada. Esa disciplina de probar y promover es el propósito mismo del failover automático y del DSL de enrutamiento de OrcaRouter: los modelos nuevos ganan tráfico de producción en porcentajes, no por decreto, y la misma configuración de una sola clave que llega a más de 200 modelos hace que el resto de la pila por encima de la transcripción sea independiente del proveedor mientras se resuelve la contienda de STT.

La publicación de lanzamiento detrás de las cifras de MAI-Transcribe-2 enmarca todo como una comparación con rivales nombrados en lugar de presentar cifras absolutas, lo cual es un ejercicio de disciplina útil para cualquiera que la lea: tomar las afirmaciones relativas, encontrar las cifras absolutas en el panel independiente y etiquetar el resto como encuadre del proveedor.

La tarifa de $1.67 tiene una fecha de caducidad y el 2.0% tiene una reputación de cuatro días, y OpenAI responderá a ambas eventualmente. Pero la forma de este mercado acaba de cambiar: por primera vez, la API de transcripción administrada de alta precisión más barata es también la más precisa y la más rápida, y no es de OpenAI. Incluso si el precio estándar de MAI-Transcribe-2 queda muy por encima de la oferta de lanzamiento, el listón de precisión por dólar en la transcripción administrada se ha movido — y se movió en los términos de Microsoft.