MAI-Transcribe-2 vs GPT Transcribe : Microsoft bat OpenAI sur tous les chiffres

Trois chiffres séparent MAI-Transcribe-2 de GPT Transcribe, et chacun d'eux pointe dans la même direction. Sur le classement du taux d'erreur de mots en non-streaming d'Artificial Analysis, MAI-Transcribe-2, lancé par Microsoft le 3 septembre 2026, affiche un AA-WER de 2,0 % contre 3,31 % pour GPT Transcribe, l'API de transcription de fichiers préenregistrés d'OpenAI, lancée cinq semaines plus tôt, le 28 juillet 2026. Sur le facteur de vitesse du même classement, MAI-Transcribe-2 tourne à environ 411× le temps réel, contre environ 34× pour GPT Transcribe. Et côté prix, MAI-Transcribe-2 est proposé à 0,10 $ par heure audio — soit environ 1,67 $ pour 1 000 minutes dans le cadre d'une offre de lancement à durée limitée — contre 4,50 $ pour 1 000 minutes pour GPT Transcribe. Ce dernier écart représente une baisse de 63 %, et il touche un produit dont OpenAI avait déjà réduit le prix de 25 % il y a quelques semaines. Voilà à quoi ressemble un marché de commodité au moment où un deuxième laboratoire d'IA de pointe décide de concurrencer sur le prix.

L'écart, un nombre à la fois

D'abord la précision, car c'est le chiffre que ni l'un ni l'autre fournisseur ne peut dissimuler derrière une allégation marketing. Les 2,0 % et 3,31 % proviennent du même banc d'essai indépendant, Artificial Analysis, appliqué aux deux modèles — ce qui fait de l'écart de 1,3 point le fait le plus net de toute cette comparaison : environ treize erreurs de moins pour mille mots sur la même ligne de WER. Les 3,31 % de GPT Transcribe représentaient eux-mêmes une amélioration d'environ 0,7 point par rapport à son prédécesseur, GPT-4o Transcribe, et les exécutions multilingues d'OpenAI ont montré qu'il réduisait d'environ moitié les taux d'erreur de l'ère Whisper. Microsoft a désormais pris sans conteste la deuxième place de ce même classement, et sur FLEURS multilingue, il rapporte un WER moyen de 5,2 % sur 60 langues — ce chiffre provient du billet de lancement de Microsoft et n'a pas encore été indépendamment recalculé par langue.

Passons à la vitesse. Le facteur temps réel d'environ 34× de GPT Transcribe est typique d'un endpoint de transcription asynchrone : un fichier d'une heure en environ deux minutes de calcul. Celui de MAI-Transcribe-2, environ 411× le temps réel, transcrit la même heure en moins de neuf secondes de calcul. Selon les chiffres d'Artificial Analysis, l'écart réel est plus proche de 12× ; Microsoft le présente comme « 10× plus rapide que le GPT-Transcribe d'OpenAI », ce qui revient pour le fournisseur à arrondir son propre avantage à la baisse plutôt qu'à la hausse — un signe inhabituel. La réserve honnête est que le chiffre de MAI-Transcribe-2 date de quatre jours et porte sur le débit de fichiers par lots, pas sur la latence en direct, tandis que celui de GPT Transcribe a derrière lui cinq semaines de trafic de production. Mais rien dans l'architecture des deux produits ne suggère que l'écart de vitesse va se combler ; ils sont conçus pour la même tâche par lots avec des efficacités très différentes.

Le prix en dernier, car c'est le chiffre qui fait changer les décisions. GPT Transcribe est facturé 0,0045 $ par minute — 4,50 $ pour 1 000 minutes, soit environ 0,27 $ par heure audio — après la baisse appliquée par OpenAI en juillet au tarif de 0,006 $ de GPT-4o Transcribe. MAI-Transcribe-2 affiche un tarif de 0,10 $ par heure audio jusqu'à la fin de l'année, sans prix standard communiqué pour l'après-promotion. Sur 1 000 heures d'audio par mois, l'écart est d'environ 170 $ : environ 100 $ au tarif de lancement de MAI-Transcribe-2 contre environ 270 $ au prix catalogue de GPT Transcribe. La baisse de 25 % d'OpenAI en juillet semblait agressive ; le fait que Microsoft sous-cote de 63 % le tarif déjà réduit est d'une tout autre nature, et c'est précisément la raison d'être de cette comparaison.

Pourquoi le chiffre d'OpenAI était le plus crédible

Il y a une raison pour laquelle le score AA-WER de 3,31 % de GPT Transcribe avait plus de poids que la plupart des chiffres de lancement : il avait été audité de manière indépendante, et l'audit avait survécu à une confrontation avec un audio difficile. La même exécution d'Artificial Analysis qui avait produit le chiffre phare a également révélé le point faible de GPT Transcribe — un WER de 6,10 % sur le corpus d'appels de résultats Earnings22, le benchmark public le plus difficile de la catégorie — ce qui indiquait aux acheteurs exactement à quoi ne pas le destiner. Cinq semaines de trafic en production ont suivi, et la baisse de prix d'OpenAI a montré qu'elle misait sur la compétitivité tarifaire plutôt que de défendre ses marges. GPT Transcribe hérite par ailleurs des contraintes pratiques de son API : c'est un produit uniquement par lots, avec des fichiers jusqu'à 25 Mo par requête, sans offre de streaming au tarif de 4,50 $, sans diarisation, sans biais de vocabulaire, et sans prise en charge des langues qu'OpenAI n'a pas publiées. Il transcrit ; tout ce qui dépasse les mots relève de l'appelant.

C'est cette clarté qui a fait qu'il était facile de faire confiance à GPT Transcribe, et c'est exactement cette clarté qu'un modèle âgé de quatre jours n'a pas encore méritée. Microsoft n'a publié ni taux d'erreur de diarisation pour MAI-Transcribe-2, ni tableau de précision par langue sous-tendant sa moyenne FLEURS de 60 langues, ni SKU de streaming. Aucune de ces omissions ne signifie que le modèle est faible — la diarisation intégrée et une couverture de 60 langues représentent une véritable étendue fonctionnelle, que GPT Transcribe ne propose même pas — mais chacune est un point où une réexécution indépendante pourrait modifier le récit. Le chiffre de précision est mesuré par AA et il est réel ; le produit autour de lui n'est pas éprouvé, exactement dans les domaines que seul le trafic de production peut révéler.

Les ensembles de caractéristiques n'ont pas la même forme.

• Diarisation — MAI-Transcribe-2 intègre l'attribution des locuteurs sans taux d'erreur publié ; GPT Transcribe ne la propose pas du tout, si bien que la transcription arrive comme un flux indifférencié.

• Contrôle — MAI-Transcribe-2 offre un biais de mots-clés pour les noms propres et le jargon, ainsi que des styles de transcription verbatim et épurée ; GPT Transcribe n'offre ni l'un ni l'autre, renvoyant des mots bruts et un texte sans ponctuation que l'appelant doit post-traiter.

• Horodatages — les deux renvoient une sortie alignée sur le temps ; ceux de MAI-Transcribe-2 sont au niveau du mot dès le départ.

• Langues — MAI-Transcribe-2 en annonce 60 avec identification automatique ; GPT Transcribe ne publie pas sa liste de langues, ce qui constitue en soi un problème de planification pour les charges de travail multilingues.

• Streaming — l’offre à 4,50 $ de GPT Transcribe est uniquement par lots, et son équivalent en streaming, GPT Live Transcribe, est un produit distinct à 17 $ pour 1 000 minutes ; MAI-Transcribe-2 n’a aucun produit de streaming, ni annoncé ni démontré.

• Shape — les deux sont des API gérées pour des fichiers pré-enregistrés, d’où une comparaison équitable ; la différence est que Microsoft a intégré davantage de post-traitement utile dans le produit de base, pour un tiers du prix.

Qui devrait déménager, et quand

Si vous transcrivez de l’audio par lots à grand volume et que le tarif de lancement résiste à l’épreuve de vos propres fichiers, MAI-Transcribe-2 est le choix rationnel par défaut en ce moment : meilleur WER mesuré, environ douze fois le débit, et un prix par tranche de 1 000 minutes inférieur de 63 % sur un produit qui regroupe la diarisation et le contrôle de style — des options qu’OpenAI ne facture pas en supplément, car il ne les propose pas. Cette transition coûte peu : un test sur un échantillon de vos fichiers audio les plus difficiles dissipe la plupart des incertitudes, et le tarif de 1,67 $ rend l’expérience quasi gratuite jusqu’à la fin de l’année.

Si votre charge de travail est critique pour la production, réglementée, ou déjà construite autour d'OpenAI, l'avance de cinq semaines et la faiblesse publiée d'Earnings22 valent plus que l'écart de prix. GPT Transcribe est le modèle dont vous pouvez nommer les modes de défaillance ; ceux de MAI-Transcribe-2 sont encore en cours de découverte. La démarche prudente est celle qu'une couche de routage a précisément pour fonction de soutenir : conserver par défaut le modèle éprouvé et envoyer une part mesurée du trafic au challenger, en comparant les transcriptions sur vos propres données avant de promouvoir quoi que ce soit. Cette discipline d'essai puis de promotion est tout l'intérêt du basculement automatique et du DSL de routage d'OrcaRouter — les nouveaux modèles gagnent le trafic de production en pourcentages, pas par décret, et la même configuration à une seule clé, qui donne accès à plus de 200 modèles, rend le reste de la pile, situé au-dessus de la transcription, agnostique vis-à-vis du fournisseur, pendant que la compétition STT se déroule.

Le post de lancement derrière les chiffres de MAI-Transcribe-2 présente tout comme une comparaison avec des rivaux nommément désignés plutôt que comme des valeurs absolues — ce qui constitue un utile exercice de rigueur pour quiconque le lit : prenez les affirmations relatives, trouvez les chiffres absolus sur le tableau indépendant, et qualifiez le reste de discours du fournisseur.

Le tarif de 1,67 $ a une date d'expiration et les 2,0 % ont une réputation de quatre jours, et OpenAI finira par répondre aux deux. Mais la configuration de ce marché vient de changer : pour la première fois, l'API de transcription gérée à haute précision la moins chère est aussi la plus précise et la plus rapide, et ce n'est pas celle d'OpenAI. Même si le prix standard de MAI-Transcribe-2 se situe bien au-dessus de l'offre de lancement, la barre de la précision par dollar dans la transcription gérée a bougé — et elle a bougé selon les conditions de Microsoft.