MAI-Transcribe-2 Är Live: Microsofts Bud på 0,10 Dollar i Timmen för Att Äga Tal-till-Text

MAI-Transcribe-2 är den modell som Microsoft AI satsar på för att göra tal-till-text till en vara snarare än en premiumfunktion, och siffrorna den lanserades med är konstruerade för att underbygga det argumentet. Släppt den 3 september 2026 som publik förhandsversion på Microsoft Foundry, MAI Playground och Microsofts egna API-ytor är MAI-Transcribe-2 den tredje Microsoft-talmodellen på fem månader – efter MAI-Transcribe-1 i april till 0,36 USD per ljudtimme och MAI-Transcribe-1.5 i juni – och den första som överträffar alla hanterade konkurrenter den nämner på de två mätetal som team faktiskt väljer utifrån. På Artificial Analysis resultattavla för icke-strömmande ordfelsfrekvens ligger den på 2,0 % AA-WER, på andra plats, och på ungefär 411× realtid, även det en andraplats, vilket tillsammans placerar den på Pareto-fronten för noggrannhet och hastighet: på den tavlan finns ingen modell som både är mer exakt och snabbare. Lanseringspriset underskrider dess föregångare med cirka 72 %.

”Världens snabbaste, mest exakta och billigaste taligenkänningsmodell” är Microsofts egen rubrik för lanseringen, och den förtjänar att läsas med källmaterialets asterisker bifogade. Detta är lanseringshistorien som den faktiskt utspelade sig, med leverantörens påståenden märkta och de delar som fortfarande behöver bevis utskilda.

Vad Microsoft faktiskt levererade

MAI-Transcribe-2 är en förinspelad, batchorienterad transkriptionsmodell som är riktad direkt mot långa ljudinspelningar – möten, samtal, mediaarkiv och kontaktcenterinspelningar. Microsoft positionerar den för exakt de arbetsbelastningar där genomströmning och kostnad per minut dominerar. Den transkriberar på 60 språk med automatisk språkidentifiering, inkluderar talardiarisering som tillskriver ord till rätt person, returnerar tidsstämplar på ordnivå och stödjer nyckelordsbias för namn, förkortningar och domänterminologi. Två konfigurerbara transkriptionsstilar täcker den vanliga uppdelningen: "verbatim", som behåller fyllnadsord och falska starter för transkriptioner med regelefterlevnadskrav, och "clean", som tar bort disfluenser för undertexter och anteckningar. Microsoft lyfter också fram kodväxling i blandat språkligt tal som hinglish och spanglish, samt robusthet i brusigt ljud från verkliga miljöer.

Tillgänglighetsberättelsen är lika viktig som funktionslistan. Microsoft håller inte detta bakom sin enterprise-talstack: modellen kan demonstreras idag från MAI Playground och serveras genom Microsoft Foundry i offentlig förhandsversion, med Foundry-dokumentationen under Azure AI Speech-tjänsten. Det är ett medvetet distributionsval – att placera frontmodellen där en utvecklare kan nå den med en nyckel, inte där en företagsförsäljningscykel måste godkänna den först. Microsoft har inte publicerat vikter, och ingenting i lanseringsmaterialet tyder på att de kommer att göra det.

Att läsa rubriken bokstavligt

”Snabbast, mest exakt och billigast i världen” är tre påståenden av olika styrka, och själva lanseringsinlägget nedgraderar i tysthet två av dem. Den ärliga versionen av varje:

• Noggrannhet — På Artificial Analysis topplista rankas MAI-Transcribe-2 tvåa med 2,0 % AA-WER, inte etta; Microsofts egen brödtext säger tvåa. Formuleringen ”mest exakta” överlever bara om du läser den som ”bland hanterade batch-API:er som ligger på den här nivån”, och även då är det ett påstående om en fyra dagar gammal modell, inte en etablerad titel. Microsoft rapporterar separat att den är etta på FLEURS flerspråkiga benchmark med ett genomsnittligt WER på 5,2 % över dess 60 språk — den siffran kommer från Microsofts lanseringsinlägg och har ännu inte oberoende härletts per språk.

• Hastighet — Enligt Artificial Analysis körs MAI-Transcribe-2 i ungefär 411× realtid, tvåa på den listan. Märkligt nog skriver Microsofts eget tillkännagivande aldrig ut det absoluta talet; det inleder istället med vänligare relativa multiplikatorer — ”upp till 10× snabbare bearbetning än ledande konkurrenter, särskilt för långformigt ljud”, och specifikt 10× snabbare än OpenAIs GPT-Transcribe, 7× snabbare än ElevenLabs Scribe v2 och 5× snabbare än Gemini 3.5 Transcribe. Dessa siffror är Microsofts sätt att rama in samma Artificial Analysis-data, och basvärdena spelar roll: ”5× snabbare än Gemini 3.5 Transcribe” låter som ett blygsamt gap tills du räknar om det till beräkningsminuter per timme ljud.

• Billigast — sant bara inom två villkor som Microsoft tydligt anger. $0,10-priset är ett ”erbjudande under begränsad tid till årsskiftet”, och inget standardpris efter kampanjen avslöjas någonstans i lanseringsmaterialet. Och det är billigast bland högnoggranna hanterade API:er; en självhostad öppen modell som Whisper Large v3 Turbo transkriberar fortfarande i praktiken till enbart elkostnaden. Kommoditetsargumentet är verkligt — det är bara snävare än rubriken.

Vad $1,67 per 1 000 minuter ger dig

Med ett pris på 0,10 USD per ljudtimme hamnar MAI-Transcribe-2 på ungefär 1,67 USD per 1 000 ljudminuter. För att sätta siffran i perspektiv kan man jämföra med de andra hanterade transkriberings-API:erna som konkurrerar på noggrannhet. GPT-Transcribe listpris är 4,50 USD per 1 000 minuter; Gemini 3.5 Transcribes förinspelade nivå landar på ungefär 5 USD per 1 000 minuter med Googles tokenbaserade prissättning; ElevenLabs Scribe v2 ligger ännu högre. Vid 1 000 timmar ljud i månaden – en rejäl men inte enorm arbetsbelastning för kontaktcenter eller media – är skillnaden mellan MAI-Transcribe-2 till early bird-priset och GPT-Transcribe till listpris i storleksordningen 170 USD i månaden, månad efter månad, innan någon noggrannhetsskillnad ens har räknats in. Det är den prisskillnaden som gör att transkribering slutar vara en budgetpost som team optimerar och börjar vara en post de struntar i.

Två förbehåll hör ihop. För det första är ett kampanjpris ett prisexperiment tills det inte är det: team som bygger en produkt till priset 0,10 dollar bör veta att standardpriset inte är offentliggjort, och den ärliga planeringssiffran för en budget 2027 ligger någonstans mellan lanseringserbjudandet och vad Microsoft än anger när erbjudandet löper ut. För det andra säger "billigast på den här noggrannhetsnivån" ingenting om den totala ägandekostnaden – modellen är endast API-baserad, så den jämförelse som är relevant för högvolymsteam är 1,67 dollar per 1 000 minuter mot den fullt belastade kostnaden för att driva en egen stack med öppna vikter, inte bara mot andra API:er.

Komprimerat till en resultattavla ser startpositionen ut så här — varje siffra nedan bär den källmärkning som är kopplad till den i brödtexten ovan.

Vad som inte är bevisat ännu

Trots att lanseringspåståendena är så specifika är tre saker fortfarande helt öppna. Det första är streaming: MAI-Transcribe-2 är en batchmodell, Microsofts snabbhetsnarrativ handlar om filgenomströmning och ingen realtids-SKU har tillkännagivits eller demonstrerats – ”411×” är inget latensmått för transkribering i realtid. Det andra är kvaliteten på talardiariseringen: talarattribuering ingår, men Microsoft publicerar ingen felfrekvens för diarisering, och det är den funktion som mest sannolikt framstår som sämre i oberoende testning än WER. Det tredje är den språkvisa uppdelningen: ett enda genomsnitt över 60 FLEURS-språk kan dölja stora variationer mellan språk, och Microsoft har inte publicerat tabellen per språk. Var och en är ett skäl till att historien inte är färdig på dag fyra.

Där det lämnar din transkriptionsstack.

Inget av detta kräver att man väljer MAI-Transcribe-2 idag, vilket är precis anledningen till att prissättningen förtjänar uppmärksamhet från team som inte är ute efter en ny leverantör. Tal-till-text är sällan slutet på en pipeline — transkript sammanfattas, åtgärdas, söks och dirigeras, och det är i det nedströmslagret som en multimodelluppsättning gör skäl för sig. En plattform som OrcaRouter finns för den halvan av stacken: ett API mot över 200 modeller, leverantörernas listpriser som skickas vidare med 0 % påslag, automatisk failover och en routnings-DSL som låter ett transkript mata en annan modell per arbetsbelastning — mötesprotokoll till en sammanfattare, regelefterlevnadsgranskning till en annan — utan en andra integration. MAI-Transcribe-2 i sig finns inte på den listan idag; den lever på Microsofts eget API och de tredjepartsplattformar som Microsoft listar. Men det råvarupris som just sattes är det bästa argumentet hittills för att bygga den del som ligger ovanför transkriptet så att den blir modellagnostisk.

Lanseringspriset avslöjar allt. Microsoft försöker inte vinna tal-till-text enbart på funktioner — det försöker göra hög noggrannhet så billig att kategorin slutar vara en separat budgetpost. MAI-Transcribe-2 förtjänar den uppmärksamhet det får; läs bara ”snabbast, mest exakt och billigast i världen” med de tre asteriskerna bifogade: tvåa på AA-WER, kampanjpriser till och med årsskiftet och en streaminghistoria som ännu inte har berättats.