MAI-Transcribe-2 vs GPT Transcribe: Microsoft Supera a Transcrição da OpenAI em Todos os Números

Três números separam o MAI-Transcribe-2 do GPT Transcribe, e todos apontam na mesma direção. No ranking de taxa de erro por palavra sem streaming da Artificial Analysis, o MAI-Transcribe-2, lançado pela Microsoft em 3 de setembro de 2026, registra 2,0% de AA-WER contra 3,31% do GPT Transcribe, a API de transcrição pré-gravada da OpenAI lançada cinco semanas antes, em 28 de julho de 2026. No fator de velocidade do mesmo ranking, o MAI-Transcribe-2 opera a aproximadamente 411× o tempo real, contra cerca de 34× do GPT Transcribe. E no preço, o MAI-Transcribe-2 custa US$ 0,10 por hora de áudio — cerca de US$ 1,67 por 1.000 minutos como oferta de lançamento por tempo limitado — contra US$ 4,50 por 1.000 minutos do GPT Transcribe. Essa última diferença é um corte de 63%, e atinge um produto que a OpenAI reduziu em 25% há apenas algumas semanas. É assim que se parece um mercado de commodity no momento em que um segundo laboratório de fronteira decide competir em preço.

A lacuna, um número de cada vez

A precisão vem em primeiro lugar, porque é o número que nenhum dos dois fornecedores consegue esconder atrás de uma alegação de marketing. Os 2,0% e os 3,31% vêm da mesma plataforma independente, a Artificial Analysis, executada contra ambos os modelos — o que faz da diferença de 1,3 ponto o dado mais limpo de toda esta comparação: cerca de treze erros a menos por mil palavras na mesma linha de WER. Os 3,31% do GPT Transcribe já eram, por si só, uma melhoria de cerca de 0,7 ponto em relação ao antecessor, o GPT-4o Transcribe, e as execuções multilíngues da própria OpenAI mostraram que ele reduzia as taxas de erro da era Whisper aproximadamente pela metade. A Microsoft agora ocupa, de forma isolada, o segundo lugar do mesmo ranking e, no FLEURS multilíngue, relata uma média de 5,2% de WER em 60 idiomas — número que vem do post de lançamento da Microsoft e ainda não foi medido de forma independente para cada idioma.

Velocidade, agora. Aproximadamente 34× o tempo real do GPT Transcribe é típico para um endpoint de transcrição assíncrona: um arquivo de uma hora em cerca de dois minutos de computação. O MAI-Transcribe-2, com aproximadamente 411× o tempo real, transcreve a mesma hora em menos de nove segundos de computação. Pelos números do Artificial Analysis, a diferença real é mais próxima de 12×; a Microsoft o comercializa como "10× mais rápido que o GPT-Transcribe da OpenAI", o que é o fornecedor arredondando para baixo sua própria vantagem em vez de para cima — um sinal incomum. A ressalva honesta é que o número do MAI-Transcribe-2 tem quatro dias e refere-se à taxa de transferência de arquivos em lote, não à latência ao vivo, enquanto o do GPT Transcribe teve cinco semanas de tráfego de produção por trás dele. Mas nada na arquitetura dos dois produtos sugere que a diferença de velocidade vá se fechar; eles são construídos para o mesmo trabalho em lote com eficiências muito diferentes.

O preço vem por último, porque é o número que muda as decisões. O GPT Transcribe custa US$ 0,0045 por minuto — US$ 4,50 por 1.000 minutos, cerca de US$ 0,27 por hora de áudio — depois do corte de julho da OpenAI em relação aos US$ 0,006 do GPT-4o Transcribe. O MAI-Transcribe-2 custa US$ 0,10 por hora de áudio até o fim do ano, sem preço padrão divulgado para depois da promoção. Em 1.000 horas de áudio por mês, a diferença é de cerca de US$ 170: aproximadamente US$ 100 na tarifa de lançamento do MAI-Transcribe-2 contra aproximadamente US$ 270 no preço de tabela do GPT Transcribe. O corte de 25% da OpenAI em julho parecia agressivo; o preço da Microsoft, 63% abaixo do valor já reduzido, é um movimento de outra categoria — e é exatamente por isso que esta comparação existe.

Por que o número da OpenAI era o confiável

Há uma razão pela qual os 3,31% de AA-WER do GPT Transcribe tiveram mais peso do que a maioria dos números de lançamento: eles foram auditados de forma independente, e a auditoria sobreviveu ao contato com áudio difícil. A mesma execução do Artificial Analysis que produziu o número principal também revelou o ponto fraco do GPT Transcribe — um WER de 6,10% no conjunto de chamadas de resultados Earnings22, o benchmark público mais difícil da categoria — o que mostrou aos compradores exatamente para onde não apontá-lo. Cinco semanas de tráfego de produção se seguiram, e o corte de preço da OpenAI mostrou que ela competia em custo, e não defendendo margens de forma reativa. O GPT Transcribe também herda a limitação prática de sua API: é um produto somente em lote, com arquivos de até 25 MB por solicitação, sem camada de streaming no preço de US$ 4,50, sem diarização, sem ajuste de vocabulário e com idiomas que a OpenAI não publicou. Ele transcreve; tudo o que está além das palavras é problema de quem chama.

Essa clareza é o que tornou o GPT Transcribe fácil de confiar, e é exatamente a clareza que um modelo de quatro dias ainda não conquistou. A Microsoft não publicou nenhuma taxa de erro de diarização para o MAI-Transcribe-2, nenhuma tabela de precisão por idioma que respaldasse sua média de 60 idiomas no FLEURS e nenhum SKU de streaming. Nenhuma dessas omissões significa que o modelo é fraco — diarização integrada e abrangência de 60 idiomas são áreas reais de produto que o GPT Transcribe nem sequer oferece — mas cada uma é um ponto em que uma execução independente poderia revisar a história. O número de precisão é medido pela AA e é real; o produto ao redor dele não está comprovado exatamente nas formas que apenas o tráfego de produção revela.

Os conjuntos de características não têm a mesma forma.

• Diarização — MAI-Transcribe-2 inclui atribuição de falantes sem taxa de erro publicada; o GPT Transcribe não oferece isso de forma alguma, então a transcrição chega como um fluxo único indiferenciado.

• Controle — MAI-Transcribe-2 oferece ajuste de palavras-chave para nomes e jargões, além de estilos de transcrição verbatim e limpa; o GPT Transcribe não oferece nenhum desses, retornando palavras cruas e texto sem pontuação para o chamador pós-processar.

• Carimbos de tempo — ambos retornam saída alinhada temporalmente; os do MAI-Transcribe-2 são em nível de palavra de fábrica.

• Idiomas — MAI-Transcribe-2 publica 60 com identificação automática; o GPT Transcribe não publica sua lista de idiomas, o que, por si só, é um problema de planejamento para cargas de trabalho multilíngues.

• Streaming — o tier de US$ 4,50 do GPT Transcribe é somente batch, e seu irmão de streaming, o GPT Live Transcribe, é um produto separado a US$ 17 por 1.000 minutos; o MAI-Transcribe-2 não tem nenhum produto de streaming, anunciado ou demonstrado.

• Shape — ambos são APIs gerenciadas para arquivos pré-gravados, e é por isso que essa comparação é justa; a diferença é que a Microsoft colocou mais pós-processamento útil no produto base por um terço do preço.

Quem deve se mover e quando?

Se você transcreve áudio em lote de alto volume e a tarifa promocional sobrevive ao contato com seus próprios arquivos, o MAI-Transcribe-2 é a opção racional padrão neste momento: melhor WER medido, cerca de doze vezes a taxa de processamento e um preço 63% menor por 1.000 minutos em um produto que inclui diarização e controle de estilo pelos quais a OpenAI não cobra nada extra — porque não os oferece. A mudança custa pouco: um teste em uma amostra do seu áudio mais difícil resolve a maior parte da incerteza, e a tarifa de US$ 1,67 torna o experimento quase gratuito até o fim do ano.

Se sua carga de trabalho é crítica para produção, regulamentada ou já integrada à OpenAI, a vantagem de cinco semanas e a fraqueza publicada do Earnings22 valem mais do que a diferença de preço. GPT Transcribe é o modelo cujos modos de falha você consegue nomear; os do MAI-Transcribe-2 ainda estão sendo descobertos. O padrão prudente é exatamente aquele que uma camada de roteamento existe para suportar: manter o modelo comprovado como padrão e enviar uma parcela medida de tráfego ao desafiante, comparando as transcrições com seus próprios dados antes de promover qualquer coisa. Essa disciplina de testar-e-promover é todo o propósito do failover automático e da DSL de roteamento do OrcaRouter — novos modelos ganham tráfego de produção em porcentagens, não por decreto, e a mesma configuração de uma tecla que alcança mais de 200 modelos torna o restante da stack acima do provedor de transcrição agnóstica enquanto a disputa de STT se desenrola.

O post de lançamento por trás dos números do MAI-Transcribe-2 enquadra tudo como uma comparação com rivais nomeados, em vez de números absolutos — o que é uma verificação de disciplina útil para qualquer pessoa que o leia: pegue as afirmações relativas, encontre os números absolutos no quadro independente e rotule o restante como enquadramento do fornecedor.

A tarifa de US$ 1,67 tem data de validade e a de 2,0% tem uma reputação de quatro dias, e a OpenAI responderá a ambas eventualmente. Mas o formato deste mercado acabou de mudar: pela primeira vez, a API de transcrição gerenciada mais barata e de alta precisão também é a mais precisa e a mais rápida, e não é da OpenAI. Mesmo que o preço padrão do MAI-Transcribe-2 fique bem acima da oferta de lançamento, o padrão de precisão por dólar em transcrição gerenciada mudou — e mudou nos termos da Microsoft.