Grok Voice Transcribe 2.0 vs MAI Transcribe 2: Due binari, non due rivali

Questi due modelli sono stati rilasciati a quindici giorni di distanza e hanno un prezzo identico al centesimo, e quasi mai entreranno nella stessa decisione di acquisto. Grok Voice Transcribe 2.0, rilasciato da SpaceXAI il 18 settembre 2026, è il modello che chiami quando l'audio sta ancora arrivando — esegue lo streaming su un WebSocket, emette risultati intermedi all'incirca ogni 500 ms e guida la classifica AA-WER Streaming di Artificial Analysis con un tasso di errore di parola del 2,7% per le trascrizioni finali e del 3,4% per i primi parziali. MAI-Transcribe-2, rilasciato da Microsoft AI il 3 settembre 2026, è il modello che chiami quando l'audio è già un file — è solo in batch, e nella classifica non in streaming di Artificial Analysis è il modello gestito più accurato misurato con un AA-WER del 2,04%, davanti al 2,29% di Grok Voice Transcribe 2.0 e circa 2 volte più veloce in throughput. Entrambi hanno un prezzo di listino di $0,10 per ora audio, circa $1,67 per 1.000 minuti. Se la tua esigenza è in tempo reale, non c'è alcun confronto da fare. Se la tua esigenza è un file, c'è.

La linea che nessun fornitore traccerà per te

Il supporto allo streaming non è un semplice interruttore di funzionalità. Grok Voice Transcribe 2.0 serve lo stesso modello via REST per i file registrati e tramite `wss://api.x.ai/v1/stt` per l'audio in diretta, quindi la precisione che misuri sul tuo archivio è la precisione che ottieni in una chiamata dal vivo. MAI-Transcribe-2 non ha alcuno SKU per lo streaming: i materiali di lancio di Microsoft lo posizionano esplicitamente per l'audio long-form e in batch, e sebbene la model card elenchi la sottotitolazione in tempo reale tra i suoi scenari applicativi, la via per arrivarci consiste nel segmentare l'audio e nel far passare ogni segmento attraverso l'API batch — una pipeline che devi costruire e gestire, non una garanzia di latenza che acquisti. Il valore di throughput di punta di Microsoft, circa 411× il tempo reale, è un dato di velocità di elaborazione, non di tempo di risposta, e i due vengono costantemente confusi nella copertura di questo rilascio.

La conseguenza pratica: se stai sviluppando agenti vocali con alternanza di turno, sottotitoli in tempo reale, o qualsiasi cosa in cui un essere umano o un modello reagisca al parlato in corso, MAI-Transcribe-2 non è un candidato, non importa quanto sia buona la sua accuratezza. Se stai trascrivendo riunioni a posteriori, registrazioni di contact center durante la notte, archivi multimediali o arretrati di conformità, lo streaming è un peso morto e i numeri del batch sono l'intera storia.

Dove MAI-Transcribe-2 è davvero in vantaggio

Innanzitutto, l'accuratezza sui file. Il divario tra 2,04% e 2,29% è misurato sullo stesso harness indipendente — AA-WER v2 di Artificial Analysis, 50% AA-AgentTalk e 25% ciascuno di VoxPopuli e Earnings22 — il che lo rende il dato più chiaro di questo confronto. È una differenza di 0,25 punti, all'incirca due errori e mezzo in meno ogni mille parole. Se questo conti o meno dipende da cosa si fa con la trascrizione; per un archivio ricercabile no, mentre per un documento legale o medico potrebbe.

Il throughput, in secondo luogo, e per più del divario di accuratezza: 333× il tempo reale contro il 162× di Grok Voice Transcribe 2.0. Entrambi i numeri sono misurazioni di Artificial Analysis dei secondi di audio in ingresso trascritti al secondo, non dichiarazioni dei fornitori. A quel ritmo, un archivio di mille ore si completa in circa tre ore di calcolo sul modello Microsoft e in circa sei su quello SpaceXAI. Per una migrazione una tantum è irrilevante; per una pipeline che acquisisce in modo continuo, il dimezzamento del tempo effettivo è una reale differenza di capacità.

Copertura linguistica, terzo punto. Microsoft dichiara 60 lingue con rilevamento automatico, commutazione di codice all'interno di una registrazione e un tasso di errore medio sulle parole del 5,2% su FLEURS — un dato dichiarato dal fornitore, non riprodotto in modo indipendente, ma che almeno descrive il caso multilingue su un elenco linguistico dichiarato. SpaceXAI documenta decine di lingue con commutazione a metà registrazione e formattazione in forma scritta su 25. Se il tuo audio è al di fuori dell'insieme ben coperto di inglese e principali lingue europee, il dato FLEURS è più informativo di una classifica ponderata sull'inglese e con molte conversazioni tra agenti.

Altre due differenze che contano a livello operativo. MAI-Transcribe-2 offre stili di trascrizione configurabili — verbatim, che preserva le disfluenze, rispetto a clean, che le elimina — mentre Grok Voice Transcribe 2.0 gestisce lo stesso problema con un flag di rimozione delle parole riempitive. E il modello di Microsoft è in anteprima pubblica su Microsoft Foundry, il che significa nessun SLA e una raccomandazione permanente contro l'uso in produzione finché non passa a GA; il modello di SpaceXAI è generalmente disponibile con limiti di frequenza pubblicati di 10 richieste al secondo e 100 sessioni di streaming simultanee per team.

Dove Grok Voice Transcribe 2.0 è davvero in vantaggio

• Streaming in tempo reale — un endpoint WebSocket con risultati intermedi ogni ~500 ms, contro una modalità solo batch, senza alcuno SKU in tempo reale annunciato

• Precisione della prima trascrizione parziale — 3,4% WER a 0,49 s su AA-WER Streaming, una categoria in cui MAI-Transcribe-2 non compete

• Accuratezza batch sull'audio di conversazione tra agenti — 2,29% complessivo, ma sul sottoinsieme AA-AgentTalk della classifica non-streaming l'ordinamento è più serrato di quanto suggerisca il dato principale, e nel mix ad alta presenza di agenti della classifica streaming Grok è nettamente in testa

• Infrastruttura dell'agente vocale — il rilevamento di fine turno Smart Turn e la rimozione dei riempitivi sono inclusi nel modello, mentre MAI-Transcribe-2 lascia la logica di turno al chiamante

• Audio multicanale — fino a 8 canali indipendenti trascritti in un'unica passata, il che è importante per registrazioni stereo o di chiamate con più segmenti

• Confidenza a livello di parola — i timestamp includono un punteggio di confidenza per ogni parola, così gli intervalli a bassa confidenza possono essere segnalati anziché considerati ugualmente affidabili

• Termini di disponibilità — disponibilità generale con limiti di concorrenza pubblicati, rispetto a un'anteprima pubblica senza SLA

• Durevolezza del prezzo — $0,10 all'ora è la tariffa stabile sia per batch sia come base per il livello streaming da $0,20, dove l'identico $0,10 di Microsoft è un'offerta di lancio a tempo limitato senza una tariffa standard annunciata per il 2027

Quest'ultimo punto è quello che la maggior parte dei confronti trascura. I due modelli costano lo stesso oggi, e uno di questi prezzi ha una data di scadenza che l'altro non ha. Microsoft non ha pubblicato una tariffa post-promozione, e le fonti non concordano sul fatto che l'offerta duri fino alla fine del 2026 o non abbia alcuna scadenza dichiarata. Se state modellando un budget di trascrizione triennale su 1,67 $ per 1.000 minuti da Microsoft, state modellando un numero che il fornitore non ha garantito.

La sovrapposizione è reale, e costituisce la maggior parte dell'elenco delle funzionalità.

Mettiamo da parte la questione dello streaming e i due prodotti convergono nettamente. Entrambi fanno la diarizzazione dei parlanti. Entrambi restituiscono timestamp a livello di parola. Entrambi gestiscono la normalizzazione inversa del testo — numeri, date, valute, dettagli di contatto resi in forma scritta. Entrambi accettano terminologia di dominio: Grok Voice Transcribe 2.0 come fino a 100 termini chiave per richiesta e MAI-Transcribe-2 come elenchi di terminologia di dominio e abbreviazioni. Entrambi rilevano automaticamente la lingua e seguono un parlante che cambia lingua durante la registrazione. Entrambi gestiscono audio telefonico a 8 kHz, il caso in cui la maggior parte dei modelli di trascrizione fallisce silenziosamente e quello contro cui SpaceXAI ha ottimizzato con più accanimento — il suo set telefonico interno è passato dal 10,6% al 7,1% di WER tra le versioni, una cifra dichiarata dall'azienda su audio aziendale.

Entrambi presentano anche limiti di input che influenzano le architetture, non solo i budget. Grok Voice Transcribe 2.0 accetta file fino a 500 MB in 12 formati audio con frequenze di campionamento da 8 kHz a 48 kHz. I limiti di MAI-Transcribe-2 sono determinati dal percorso Foundry anziché dal modello, e i team dovrebbero consultare la documentazione di Microsoft per il limite massimo attuale anziché presumere una parità con un servizio STT dedicato.

Ciò che quella convergenza significa è che la decisione si riduce a tre domande, in ordine: deve essere in tempo reale, quante lingue hai effettivamente e quanto ti costa il divario di accuratezza. La prima domanda è binaria ed elimina di netto un'opzione. La seconda di solito trova risposta in un campione del tuo audio. La terza è così piccola che, per la maggior parte dei carichi di lavoro basati su file, non deciderà nulla — il divario di 0,25 punti è reale, ma lo è anche il fatto che entrambi i modelli sono entro mezzo punto dal miglior valore che chiunque abbia misurato.

Cosa fare con questo

Trattali come uno stack a due corsie anziché come un confronto testa a testa. Un contact centre che gestisce assistenza live agli agenti e un archivio di conformità notturno non sta scegliendo tra Grok Voice Transcribe 2.0 e MAI-Transcribe-2: li sta usando entrambi, e l'unica domanda è se questo gli costa due rapporti con i fornitori, due set di credenziali, due fatture e due limiti di frequenza. Oggi nessuno dei due modelli è nel catalogo di OrcaRouter, quindi le chiamate di trascrizione stesse vanno all'API proprietaria di ciascun fornitore. Quello che una chiave OrcaRouter copre è tutto ciò che sta a valle: il summarizer, il classificatore, l'agente che ragiona sulla trascrizione e il job di eval che confronta l'output dei due fornitori sulla stessa registrazione. Quest'ultimo è il motivo per cui preoccuparsi: non puoi decidere tra questi modelli basandoti su una leaderboard, perché la leaderboard è otto ore di parlato di agenti in inglese e il tuo audio no.

Tieni d'occhio due cose. Primo, se Microsoft applicherà un prezzo standard a MAI-Transcribe-2 quando terminerà l'offerta di lancio; un prezzo permanente di 1,67 dollari per 1.000 minuti lo renderebbe la scelta predefinita per l'elaborazione batch solo in base al costo, mentre un ritorno verso gli 0,36 dollari all'ora di MAI-Transcribe-1 renderebbe questa conversazione molto più breve. Secondo, se Microsoft rilascerà uno SKU per lo streaming. La scheda del modello indica già la sottotitolazione in tempo reale come scenario di destinazione, e l'unica cosa che separa MAI-Transcribe-2 dalla corsia dello streaming è un endpoint: se arriva, questi due smettono di essere corsie e iniziano a essere rivali.