MAI-Transcribe-2 kontra GPT Transcribe: Microsoft przebija OpenAI pod każdym względem

Trzy liczby oddzielają MAI-Transcribe-2 od GPT Transcribe i każda wskazuje ten sam kierunek. W rankingu Artificial Analysis dotyczącym współczynnika błędów słownych dla transkrypcji niestrumieniowej MAI-Transcribe-2, wydany przez Microsoft 3 września 2026 r., osiąga 2,0% AA-WER wobec 3,31% dla GPT Transcribe, czyli API OpenAI do transkrypcji nagrań, które zadebiutowało pięć tygodni wcześniej, 28 lipca 2026 r. W tym samym rankingu pod względem szybkości MAI-Transcribe-2 działa z szybkością około 411× względem czasu rzeczywistego, podczas gdy GPT Transcribe osiąga około 34×. Jeśli zaś chodzi o cenę, MAI-Transcribe-2 kosztuje 0,10 USD za godzinę audio — około 1,67 USD za 1000 minut w ramach ograniczonej czasowo promocji wprowadzającej — wobec 4,50 USD za 1000 minut w przypadku GPT Transcribe. Ta ostatnia różnica to obniżka o 63%, która dotyczy produktu przecenionego przez OpenAI o 25% zaledwie kilka tygodni temu. Tak właśnie wygląda rynek usług postrzeganych jako towar w momencie, gdy drugie laboratorium z czołówki postanawia konkurować ceną.

Luka, jedna liczba na raz

Dokładność przede wszystkim, ponieważ to liczba, za którą żaden z dostawców nie może się schować za marketingowym twierdzeniem. Wartości 2,0% i 3,31% pochodzą z tego samego niezależnego środowiska testowego, Artificial Analysis, uruchomionego na obu modelach — co czyni różnicę 1,3 punktu najczystszym faktem w całym tym porównaniu: mniej więcej trzynaście błędów mniej na tysiąc słów przy tej samej linii WER. Wartość 3,31% dla GPT Transcribe sama w sobie była poprawą o około 0,7 punktu względem poprzednika, GPT-4o Transcribe, a własne testy wielojęzyczne OpenAI pokazały, że wskaźniki błędów z ery Whisper zostały z grubsza zmniejszone o połowę. Microsoft zajął teraz drugie miejsce w tym samym rankingu, a w wielojęzycznym teście FLEURS raportuje średni WER na poziomie 5,2% w 60 językach — ta liczba pochodzi z wpisu premierowego Microsoftu i nie została jeszcze niezależnie wyprowadzona osobno dla każdego języka.

Szybkość. Wynik GPT Transcribe wynoszący około 34× czasu rzeczywistego to typowa wartość dla asynchronicznego punktu końcowego transkrypcji: godzinny plik w około dwie minuty obliczeń. Wynik MAI-Transcribe-2 wynoszący około 411× czasu rzeczywistego transkrybuje tę samą godzinę w mniej niż dziewięć sekund obliczeń. Według liczb Artificial Analysis prawdziwa różnica jest bliższa 12×; Microsoft reklamuje to jako „10× szybciej niż GPT-Transcribe od OpenAI” — czyli producent zaokrągla własną przewagę w dół, a nie w górę, co jest niezwykłym sygnałem. Uczciwe zastrzeżenie jest takie, że wynik MAI-Transcribe-2 ma cztery dni i dotyczy przepustowości plików wsadowych, a nie opóźnienia na żywo, podczas gdy wynik GPT Transcribe ma za sobą pięć tygodni ruchu produkcyjnego. Nic jednak w architekturze obu produktów nie sugeruje, że luka szybkościowa się zamknie; są zbudowane do tego samego zadania wsadowego z bardzo różną wydajnością.

Cena na końcu, bo to liczba zmienia decyzje. GPT Transcribe kosztuje 0,0045 USD za minutę — 4,50 USD za 1000 minut, około 0,27 USD za godzinę audio — po lipcowej obniżce OpenAI z 0,006 USD w GPT-4o Transcribe. MAI-Transcribe-2 kosztuje 0,10 USD za godzinę audio do końca roku, bez podanej standardowej ceny po zakończeniu promocji. Przy 1000 godzinach audio miesięcznie różnica wynosi około 170 USD: z grubsza 100 USD przy promocyjnej stawce MAI-Transcribe-2 wobec około 270 USD według ceny katalogowej GPT Transcribe. Lipcowe cięcie OpenAI o 25% wyglądało na agresywne; obniżenie ceny przez Microsoft o 63% poniżej ceny po cięciu to inna kategoria ruchu i to jest cały powód istnienia tego porównania.

Dlaczego liczba OpenAI była wiarygodna

Istnieje powód, dla którego osiągnięty przez GPT Transcribe wynik AA-WER równy 3,31% miał większą wagę niż większość liczb towarzyszących premierom: został niezależnie poddany audytowi, a audyt przetrwał kontakt z trudnym materiałem audio. Ta sama seria pomiarów Artificial Analysis, z której pochodził główny wynik, ujawniła też słaby punkt GPT Transcribe — WER na poziomie 6,10% na zbiorze nagrań z konferencji wynikowych Earnings22, najtrudniejszym publicznym benchmarku w tej kategorii — co jasno wskazało kupującym, do czego nie należy go używać. Następnie przez pięć tygodni GPT Transcribe był używany produkcyjnie, a obniżka cen OpenAI pokazała, że firma konkuruje ceną, a nie defensywnie chroni marżę. GPT Transcribe dziedziczy też praktyczne ograniczenie swojego API: to produkt działający wyłącznie w trybie wsadowym, przyjmujący pliki do 25 MB na żądanie, bez wariantu strumieniowego w cenie 4,50 USD, bez diarizacji, bez biasowania słownika i bez języków spoza opublikowanej przez OpenAI listy. GPT Transcribe transkrybuje; wszystko, co wykracza poza słowa, to problem wywołującego.

Ta jasność sprawiła, że GPT Transcribe łatwo było zaufać, i to dokładnie ta jasność, której czterodniowy model jeszcze sobie nie zapracował. Microsoft nie opublikował żadnego współczynnika błędów diaryzacji dla MAI-Transcribe-2, żadnej tabeli dokładności per język za jego średnią FLEURS obejmującą 60 języków, ani żadnej jednostki SKU do streamingu. Żadne z tych pominięć nie oznacza, że model jest słaby — wbudowana diaryzacja i zasięg 60 języków to realna powierzchnia produktowa, której GPT Transcribe w ogóle nie oferuje — ale każde z nich to miejsce, w którym niezależne ponowne uruchomienie mogłoby zmienić narrację. Liczba dotycząca dokładności jest mierzona przez AA i prawdziwa; produkt wokół niej jest nieudowodniony dokładnie w tych aspektach, które ujawnia dopiero ruch produkcyjny.

Zestawy cech nie mają tego samego kształtu.

• Diarization — MAI-Transcribe-2 zawiera przypisanie mówców bez opublikowanego wskaźnika błędów; GPT Transcribe nie oferuje tego w ogóle, więc transkrypcja pojawia się jako jeden niezróżnicowany strumień.

• Kontrola — MAI-Transcribe-2 oferuje wzmacnianie słów kluczowych dla nazw i żargonu oraz style transkrypcji: dosłowny i czysty; GPT Transcribe nie oferuje żadnego z tych, zwracając surowe słowa i tekst bez interpunkcji do dalszego przetworzenia przez wywołującego.

• Znaczniki czasu — oba zwracają wynik wyrównany w czasie; w przypadku MAI-Transcribe-2 są one na poziomie słów od razu po wyjęciu z pudełka.

• Języki — MAI-Transcribe-2 obsługuje 60 języków z automatyczną identyfikacją; GPT Transcribe nie publikuje listy obsługiwanych języków, co samo w sobie stanowi problem planistyczny dla obciążeń wielojęzycznych.

• Streaming — wariant GPT Transcribe za 4,50 USD obsługuje wyłącznie tryb wsadowy, a jego strumieniowy odpowiednik, GPT Live Transcribe, to osobny produkt w cenie 17 USD za 1000 minut; MAI-Transcribe-2 nie ma żadnego produktu strumieniowego — ani zapowiedzianego, ani zademonstrowanego.

• Shape — oba to zarządzane API dla wcześniej nagranych plików, dlatego to zestawienie jest uczciwe; różnica polega na tym, że Microsoft dodał więcej użytecznego post-processingu do podstawowego produktu za jedną trzecią ceny.

Kto powinien wykonać ruch i kiedy?

Jeśli transkrybujesz duże wolumeny audio wsadowo, a promocyjna stawka przetrwa kontakt z twoimi plikami, MAI-Transcribe-2 to teraz racjonalny wybór domyślny: lepszy zmierzony WER, mniej więcej dwunastokrotnie większa przepustowość i o 63% niższa cena za 1000 minut w produkcie, który łączy diaryzację i kontrolę stylu — za które OpenAI niczego nie dolicza, bo ich po prostu nie oferuje. Taka zmiana kosztuje niewiele: test na fragmencie twoich najtrudniejszych nagrań rozwiewa większość wątpliwości, a stawka 1,67 USD sprawia, że eksperyment jest niemal darmowy do końca roku.

Jeśli Twoje obciążenie jest krytyczne dla produkcji, regulowane lub już zintegrowane wokół OpenAI, pięciotygodniowa przewaga i opublikowana słabość Earnings22 są warte więcej niż różnica cenowa. GPT Transcribe to model, którego tryby awarii potrafisz nazwać; tryby MAI-Transcribe-2 wciąż są odkrywane. Rozsądny wzorzec to ten, który warstwa routingu istnieje po to, aby wspierać: utrzymuj sprawdzony model jako domyślny i kieruj mierzalną część ruchu do pretendenta, porównując transkrypty na własnych danych, zanim cokolwiek awansujesz. Ta dyscyplina testowania i awansowania to cały sens automatycznego przełączania awaryjnego i DSL routingu OrcaRouter — nowe modele zdobywają ruch produkcyjny w procentach, a nie dekretem, a ta sama konfiguracja jednym kluczem, która sięga 200+ modeli, sprawia, że reszta stosu ponad transkryptem jest niezależna od dostawcy, podczas gdy rywalizacja STT się rozstrzyga.

Wpis o premierze, z którego pochodzą liczby MAI-Transcribe-2, przedstawia wszystko jako porównanie z wymienionymi z nazwy rywalami, a nie jako wartości bezwzględne — co jest pożytecznym sprawdzianem dyscypliny dla każdego czytelnika: weź twierdzenia względne, znajdź liczby bezwzględne w niezależnym zestawieniu, a resztę oznacz jako marketing producenta.

The $1.67 rate has an expiration date and the 2.0% has a four-day reputation, and OpenAI will answer both eventually. But the shape of this market just changed: for the first time, the cheapest high-accuracy managed transcription API is also the most accurate and the fastest, and it is not OpenAI's. Even if MAI-Transcribe-2's standard price lands well above the launch offer, the accuracy-per-dollar bar in managed transcription has moved — and it moved on Microsoft's terms. Stawka $1.67 ma datę wygaśnięcia, a 2,0% — reputację czterodniową, i OpenAI prędzej czy później odpowie na jedno i drugie. Ale kształt tego rynku właśnie się zmienił: po raz pierwszy najtańsze zarządzane API do transkrypcji o wysokiej dokładności jest jednocześnie najdokładniejsze i najszybsze, a nie należy do OpenAI. Nawet jeśli standardowa cena MAI-Transcribe-2 znacząco przekroczy ofertę startową, poprzeczka dokładności za dolara w zarządzanej transkrypcji przesunęła się — i przesunęła się na warunkach Microsoftu.