MAI-Transcribe-2 против GPT Transcribe: Microsoft обходит транскрибацию OpenAI по каждому показателю

Три числа отличают MAI-Transcribe-2 от GPT Transcribe, и каждое из них указывает в одном и том же направлении. В не-потоковом рейтинге частоты ошибок в словах от Artificial Analysis MAI-Transcribe-2, выпущенный Microsoft 3 сентября 2026 года, показывает 2,0% AA-WER против 3,31% у GPT Transcribe — API транскрибации заранее записанного аудио от OpenAI, запущенного пятью неделями ранее, 28 июля 2026 года. По коэффициенту скорости на той же доске лидеров MAI-Transcribe-2 работает примерно в 411 раз быстрее реального времени против примерно 34 раз у GPT Transcribe. А по цене MAI-Transcribe-2 указан по $0,10 за аудио-час — около $1,67 за 1000 минут по акции ограниченного времени запуска — против $4,50 за 1000 минут у GPT Transcribe. Последний разрыв — это снижение на 63%, и оно приходится на продукт, который OpenAI всего несколько недель назад уценил на 25% вниз. Вот так выглядит товарный рынок в тот момент, когда вторая лаборатория мирового уровня решает конкурировать ценой.

Разрыв, по одному числу за раз.

Точность прежде всего, потому что именно эту цифру ни один из вендоров не спрячет за маркетинговыми заявлениями. Показатели 2,0% и 3,31% получены на одном и том же независимом стенде Artificial Analysis, где прогнали обе модели, — а потому разница в 1,3 пункта остаётся самым чистым фактом во всём этом сравнении: при той же методике измерения WER это примерно тринадцать ошибок меньше на каждую тысячу слов. Показатель GPT Transcribe в 3,31% и сам был улучшением примерно на 0,7 пункта по сравнению с предшественником, GPT-4o Transcribe; собственные мультиязычные прогоны OpenAI также показали, что модель примерно вдвое сокращает частоту ошибок по сравнению с эпохой Whisper. Microsoft теперь прочно занимает второе место в той же таблице, а на мультиязычном FLEURS сообщает о среднем WER 5,2% на 60 языков — эта цифра взята из анонса Microsoft и пока ещё независимо по каждому языку не пересчитывалась.

Скорость — дальше. Примерно 34× от реального времени у GPT Transcribe — типичный показатель для асинхронной транскрипции: часовой файл обрабатывается примерно за две минуты вычислений. MAI-Transcribe-2 с её примерно 411× от реального времени транскрибирует тот же час менее чем за девять секунд вычислений. По цифрам Artificial Analysis реальный разрыв ближе к 12×; Microsoft маркетирует это как «в 10 раз быстрее, чем OpenAI GPT-Transcribe» — то есть вендор округляет собственное преимущество в меньшую сторону, а не в большую: необычный сигнал. Честная оговорка: показатель MAI-Transcribe-2 датирован четырьмя днями назад и относится к пропускной способности пакетной обработки, а не к живой задержке, тогда как за GPT Transcribe — пять недель продакшен-трафика. Но ничего в архитектуре двух продуктов не говорит о том, что разрыв в скорости сократится; они созданы для одной и той же пакетной задачи, но с очень разной эффективностью.

Цена указана последней, потому что именно она меняет решения. GPT Transcribe стоит $0,0045 за минуту — $4,50 за 1 000 минут, около $0,27 за аудио-час — после июльского снижения OpenAI с $0,006 у GPT-4o Transcribe. MAI-Transcribe-2 стоит $0,10 за аудио-час до конца года, без указания стандартной цены после окончания акции. При 1 000 часах аудио в месяц разница составляет около $170: примерно $100 по ранней ставке MAI-Transcribe-2 против примерно $270 по прейскурантной цене GPT Transcribe. Июльское сокращение OpenAI на 25% выглядело агрессивным; демпинг Microsoft на 63% ниже цены после сокращения — это движение иного уровня, и именно оно — вся причина существования этого сравнения.

Почему цифра OpenAI была достоверной

У GPT Transcribe показатель 3,31 % AA-WER имел больший вес, чем большинство цифр, с которыми продукт выходит на рынок, — и неспроста: он был проверен независимым аудитом, и аудит выдержал столкновение со сложным аудио. Тот же прогон Artificial Analysis, породивший главную цифру, вскрыл и слабое место GPT Transcribe — 6,10 % WER на наборе Earnings22 (записи звонков о финансовых результатах), самом сложном публичном бенчмарке в категории, — что точно указало покупателям, куда продукт направлять не стоит. Затем последовали пять недель продакшн-трафика, и снижение цены OpenAI показало, что это конкуренция по цене, а не оборонительная защита маржи. GPT Transcribe унаследовал практические ограничения своего API: это продукт только для пакетной обработки, с файлами до 25 МБ на запрос; по цене $4,50 нет ни стримингового тарифа, ни диаризации, ни биасинга словаря, ни поддержки языков, которые OpenAI не публиковала. Он транскрибирует; всё, что сверх слов, — забота вызывающего.

Именно эта прозрачность позволила GPT Transcribe заслужить доверие — и именно такой прозрачности четырёхдневная модель пока не заслужила. Microsoft не опубликовала ни частоты ошибок диаризации для MAI-Transcribe-2, ни таблицы точности по отдельным языкам, которая стояла бы за средним результатом по 60 языкам набора FLEURS, ни потокового SKU. Ни одно из этих упущений не означает, что модель слабая: встроенная диаризация и охват 60 языков — это реальные продуктовые возможности, которых у GPT Transcribe вообще нет. Но каждое из этих упущений — это случай, когда независимый повторный прогон способен переписать историю. Показатель точности измерен по методике AA и реален, но продукт, выстроенный вокруг него, не проверен ровно в тех аспектах, которые может выявить только реальный трафик.

Наборы признаков имеют разную форму

• Диаризация — MAI-Transcribe-2 включает атрибуцию говорящих без опубликованного показателя ошибок; GPT Transcribe не предлагает её вообще, поэтому транскрипт приходит как единый нераздельный поток.

• Контроль — MAI-Transcribe-2 поддерживает смещение ключевых слов для имён и жаргона, а также дословный и «чистовой» стили транскрибации; GPT Transcribe не поддерживает ни того, ни другого, возвращая необработанные слова и текст без пунктуации для последующей обработки вызывающей стороной.

• Тайм-коды — обе возвращают привязанный ко времени вывод; у MAI-Transcribe-2 они пословные из коробки.

• Языки — MAI-Transcribe-2 поддерживает 60 языков с автоматическим определением; GPT Transcribe не публикует свой список языков, что само по себе является проблемой планирования для многоязычных рабочих нагрузок.

• Стриминг — тариф GPT Transcribe за $4.50 предусматривает только пакетную обработку, а его стриминговый аналог, GPT Live Transcribe, — отдельный продукт по цене $17 за 1 000 минут; у MAI-Transcribe-2 стримингового продукта нет вообще — ни анонсированного, ни продемонстрированного.

• Shape — оба представляют собой управляемые API для предварительно записанных файлов, поэтому это сравнение уместно; разница в том, что Microsoft включила больше полезной постобработки в базовый продукт по цене втрое ниже.

Кто должен переезжать, и когда?

Если вы транскрибируете большие объёмы пакетного аудио, а льготная цена раннего доступа сохраняется при работе с вашими собственными файлами, MAI-Transcribe-2 сейчас — рациональный выбор по умолчанию: лучший измеренный WER, примерно двенадцатикратная пропускная способность и на 63% ниже цена за 1000 минут на продукте, который включает диаризацию и управление стилем, за которые OpenAI ничего дополнительно не берёт — потому что она их не предлагает. Переход стоит немного: тест на срезе вашего самого сложного аудио устраняет почти всю неопределённость, а ставка $1.67 делает эксперимент почти бесплатным до конца года.

Если ваша рабочая нагрузка критична для производства, регулируется нормативными требованиями или уже завязана на OpenAI, пятинедельная фора и опубликованная слабость Earnings22 стоят больше, чем разница в цене. GPT Transcribe — это модель, чьи сценарии отказов вы можете назвать поимённо; у MAI-Transcribe-2 их ещё только предстоит обнаружить. Разумный подход — ровно тот, для поддержки которого и существует слой маршрутизации: оставить проверенную модель по умолчанию и направлять на challenger'а отмеренную долю трафика, сравнивая расшифровки на собственных данных до того, как что-либо повышать в статусе. Эта дисциплина «испытал — повысил» и есть весь смысл автоматического переключения при сбоях и routing DSL в OrcaRouter: новые модели получают продакшен-трафик процентами, а не по указу, а та же настройка в одно нажатие, которая открывает доступ к 200+ моделям, делает весь остальной стек над провайдером расшифровок провайдер-агностичным, пока длится противостояние в STT.

Анонс, стоящий за цифрами MAI-Transcribe-2, подаёт всё как сравнение с поименованными конкурентами, а не как абсолютные показатели — что является полезной проверкой на дисциплину для любого читателя: возьмите относительные утверждения, найдите абсолютные цифры на независимой панели, а остальное пометьте как вендорскую подачу.

Ставка $1.67 имеет срок действия, а 2.0% — четырёхдневную репутацию, и OpenAI в конечном счёте ответит на оба вопроса. Но форма этого рынка только что изменилась: впервые самый дешёвый высокоточный управляемый API транскрибации одновременно является и самым точным, и самым быстрым — и это не OpenAI. Даже если стандартная цена MAI-Transcribe-2 окажется заметно выше стартового предложения, планка точности на доллар в управляемой транскрибации сдвинулась — и сдвинулась на условиях Microsoft.