MAI-Transcribe-2-Streaming против MAI-Transcribe-2: платите в 5,4 раза больше за тайминги на уровне слов

MAI-Transcribe-2-Streaming и MAI-Transcribe-2 — это одно семейство моделей, разделённое на два ценовых уровня, и это разделение достаточно чёткое, чтобы планировать исходя из него. MAI-Transcribe-2 вышла 3 сентября 2026 года как пакетная модель: уровень ошибок в словах 2,0% в нестриминговой таблице Artificial Analysis, примерно в 411 раз быстрее реального времени и 0,10 доллара за час аудио — около 1,67 доллара за 1000 минут. MAI-Transcribe-2-Streaming вышла 1 октября 2026 года как вариант для реального времени: заявленный уровень ошибок в словах при стриминге 2,5% при 0,13 секунды до финальной расшифровки, что Microsoft описывает как первый результат по точности как для финальных, так и для промежуточных расшифровок, измеренный по методологии стриминга Artificial Analysis, а не пока отображённый строкой в таблице трекера. 0,54 доллара за час аудио — около 9,00 доллара за 1000 минут. Те же 60 языков, то же распространение только через API, опубликованных весов нет. Стриминг стоит в 5,4 раза дороже пакетного тарифа и, по собственным цифрам Microsoft, на 0,5 пункта точности ниже. Выгодная это сделка или дополнительный налог, зависит целиком от одного вопроса: нужно ли чему-либо в вашем пайплайне получить расшифровку до того, как предложение закончится?

Поскольку обе модели происходят от одного вендора и описаны в одной и той же документации, сравнение получается на удивление чистым — не нужно гадать о паритете функций, нет несовпадения версий бенчмарков, нет «их цифр против наших». Здесь один вендор назначает цену за две скорости одной и той же возможности, а самое интересное — понять, какие рабочие нагрузки на самом деле покрывает дешёвый тариф.

Семья, в два ряда

• MAI-Transcribe-2 — пакетная обработка предварительно записанного аудио, выпущена 3 сентября 2026 года. 2,0% AA-WER, второе место в непоточном рейтинге Artificial Analysis. Примерно 411× реального времени, тоже второе место. $0,10 за аудиочас, около $1,67 за 1 000 минут — предложение на ограниченное время до конца года, стандартная цена не опубликована. Включает диаризацию говорящих и возвращает временные метки слов. 60 языков с автоматическим определением языка.

• MAI-Transcribe-2-Streaming — непрерывная транскрипция в реальном времени в стиле WebSocket, выпущена 1 октября 2026 года. Microsoft сообщает о WER 2,5 % для финального транскрипта через 0,13 секунды после окончания речи и о тех же 2,5 % для первого частичного результата через 0,12 секунды; это описывается как первый случай точности по обоим показателям — заявление производителя, измеренное по методологии потоковой передачи Artificial Analysis, хотя на момент подготовки текста собственная таблица трекера (37 моделей) ещё не отобразила модель, а его текущий лидер — Grok Voice Transcribe 2.0 с 2,73 % и 0,49 секунды. $0,54 за аудиочас, около $9,00 за 1000 минут, вводная цена до конца года. 60 языков с автоматическим непрерывным определением языка. Опубликованных заявлений о диаризации нет, опубликованных заявлений о временных метках слов нет.

Единственная асимметрия, не связанная со скоростью или ценой, — это возможности: у пакетной модели диаризация и временные метки слов — документированные функции, а у потоковой — нет. Это важнее, чем разрыв в точности на 0,5 пункта, и именно поэтому многие команды в конечном итоге будут использовать обе.

Что на самом деле даёт 5.4×

При $1,67 за 1 000 минут пакетная транскрибация при таком уровне точности почти бесплатна с точки зрения предельных затрат. При $9,00 за 1 000 минут потоковая транскрибация — это уже реальная статья расходов: примерно стоимость пятикратной транскрибации того же аудио плюс полпункта точности. Так что вопрос не в том, стоит ли режим реального времени больше; вопрос в том, каким именно минутам он нужен.

Рабочие нагрузки, где это явно так: живые субтитры, которые человек читает, пока говорит спикер, где 0,13 секунды против конца файла — это весь продукт; помощь агенту в реальном времени и оценка соответствия, где вмешательство, поступившее после окончания звонка, бесполезно; и интерактивные голосовые приложения, где реплика не может завершиться, пока не завершится транскрипт. Во всех трёх случаях пакетная модель — не более дешёвый вариант, а вообще не вариант — нет такой цены, при которой постфактумная транскрипция становится транскрипцией в реальном времени.

Рабочие нагрузки, где это явно не так: записи встреч и звонков, обрабатываемые постфактум, медиаархивы, пакетный контроль качества в контакт-центрах, проверка завершённых звонков на соответствие требованиям, создание субтитров для подкастов и видео. Именно на таких пайплайнах пакетная модель с её 411-кратной скоростью относительно реального времени и тарифом $1,67 и была призвана побеждать, а платить в 5,4 раза больше, чтобы срезать несколько сотен миллисекунд с расшифровки, которую никто не прочитает до завтра, — это откровенная трата. Добавьте к этому функции диаризации и пословных временных меток — у пакетной модели они задокументированы, у потоковой нет — и аргумент в пользу постфактум-обработки становится только сильнее, а не слабее.

Интересная середина — там, где эти два подхода по-настоящему дополняют друг друга: потоковая обработка для живого интерфейса и пакетная — для архива. Звонок в поддержку, транскрибируемый в реальном времени для панели помощи оператору, а затем заново транскрибируемый пакетно за ночь для создания архивной расшифровки с диаризацией и временными метками, стоит небольшую надбавку по сравнению с одной лишь пакетной обработкой и обеспечивает оба варианта поведения. Такой подход стал возможен только в сентябре, и именно октябрьский релиз его завершает.

Где проявляется двухдивизионная структура

В этой семье стоит отметить две вещи, потому что они носят структурный, а не случайный характер.

Во-первых, иерархия точности инвертирована по сравнению с обычной схемой. Стриминговые модели обычно платят существенную цену в виде потери точности за вывод в реальном времени; здесь эта плата составляет 0,5 пункта: с 2,0% в пакетном зачёте до заявленных 2,5% в стриминговом. Microsoft получила модель реального времени, отстающую всего на полпункта от своего пакетного флагмана по её собственным цифрам, — это и есть настоящее инженерное достижение октябрьского релиза, если оно подтвердится, а не место на вершине таблицы, которое может измениться при удачном повторном прогоне и которое трекер пока ещё не подтвердил.

Во-вторых, ценообразование тоже инвертировано относительно обычной схемы. Поставщики обычно дают скидку на тариф с большим объёмом; Microsoft оценила потоковый режим в 5,4 раза дороже пакетного и оставила оба на вводных тарифах, истекающих одновременно. Это выглядит не столько как намеренная наценка за потоковый режим, сколько как два отдельных запуска, каждый со стартовой скидкой, причём ни для одного не опубликован стандартный тариф. Командам, планирующим бюджет на 2027 год, следует рассматривать обе цифры как предварительные — $1,67 и $9,00 обозначены как ограниченные по времени, и ни для одной не объявлена последующая цена.

Что ещё не доказано

Открытые вопросы по пакетной модели с сентября всё ещё открыты: не опубликована частота ошибок диаризации, нет разбивки по языкам, подтверждающей заявление о 60 языках, а акционная цена остаётся без названного преемника. Потоковая модель добавляет ещё один вопрос, специфичный для работы в реальном времени, — WER в потоковом режиме измеряется на чистом аудио, а качество частичной расшифровки в зашумлённом потоке из дальнего поля — это режим отказа, который важнее всего при развёртывании и меньше всего освещён в материалах запуска. Она также наследует плотность результатов в потоковой таблице: первые три места в таблице трекера из 37 моделей находятся в пределах доли балла, так что «первое место» — это состояние, которое может изменить повторный прогон, — а первое место Microsoft — это заявление, а не строка.

Впрочем, следить стоит именно за вопросом на уровне семейства. Сейчас Microsoft продаёт одну и ту же возможность по двум ценам, различающимся в пять раз, причём в дорогом тарифе отсутствуют две функции, которые документирует дешёвый. Если диаризация и временные метки слов появятся в потоковом SKU, разрыв сократится до чисто компромисса между задержкой и ценой — а это куда более простое решение. Если же нет, структура из двух дивизионов постоянна, и архитектуры следует строить вокруг неё.

Что это значит для стека транскрипции

Практический вывод: в сентябре транскрипция перестала быть отдельной строкой, а в октябре превратилась в решение о маршрутизации. Конвейер, который раньше стандартизировался на одном API, теперь хочет потоковую обработку для живого интерфейса, пакетную — для записи, и правило о том, какое аудио идёт по какому пути, — а само это правило и есть проблема маршрутизации; и это странно большой объём сложности, который предстоит уместить в один релизный цикл вендора.

Сильнее всего это ударяет по тому, что находится выше транскрипта. Какой бы уровень ни создавал текст, затем этот текст суммаризируется, классифицируется, редактируется и маршрутизируется, и эти шаги выполняются на языковых моделях с собственными профилями задержки и стоимости — для транскрипта в реальном времени нужна быстрая и дешёвая модель, а архивный может позволить себе более сильную. OrcaRouter покрывает именно этот слой: единый API для более чем 200 моделей, цены из прайс-листов провайдеров передаются без наценки — 0 %, автоматическое переключение при сбое и DSL маршрутизации, который выбирает модель под каждую рабочую нагрузку, а не под каждый конвейер. Ни MAI-Transcribe-2-Streaming, ни MAI-Transcribe-2 не входят в этот список — оба обслуживаются через собственный речевой стек Microsoft, — но слой транскрипции из двух дивизионов — это самый сильный на сегодняшний день аргумент за то, чтобы всё, что находится ниже по потоку от него, оставалось переносимым.

Честное резюме: стриминг — это не улучшенная версия MAI-Transcribe-2, а второй продукт по второй цене. Покупайте его для тех минут, которым действительно нужен режим реального времени, остальное оставляйте на дешёвом тарифе и закладывайте в бюджет возможный пересмотр обоих тарифов, когда закончится вводный период.