MAI-Transcribe-2-Streaming vs MAI-Transcribe-2: Betala 5,4× för tidsstämplar på ordnivå

MAI-Transcribe-2-Streaming och MAI-Transcribe-2 är samma modellfamilj uppdelad i två prisnivåer, och uppdelningen är tillräckligt tydlig för att planera utifrån. MAI-Transcribe-2 släpptes den 3 september 2026 som en batchmodell: 2,0 % ordfelsfrekvens på Artificial Analysis icke-streamande resultattavla, ungefär 411× realtid och 0,10 USD per ljudtimme – cirka 1,67 USD per 1 000 minuter. MAI-Transcribe-2-Streaming släpptes den 1 oktober 2026 som realtidsvarianten: en uppgiven ordfelsfrekvens för streaming på 2,5 % vid 0,13 sekunder till slutlig transkription, vilket Microsoft beskriver som först med noggrannhet på både slutliga och partiella transkriptioner, mätt enligt Artificial Analysis streamingmetodik snarare än ännu plottad som en rad på trackerns resultattavla. 0,54 USD per ljudtimme – cirka 9,00 USD per 1 000 minuter. Samma 60 språk, samma distribution endast via API, inga publicerade vikter. Streaming kostar 5,4× batchpriset och, enligt Microsofts egna siffror, 0,5 punkter i noggrannhet. Huruvida det är ett kap eller en skatt beror helt och hållet på en fråga: behöver något i din pipeline transkriptionen innan meningen är över?

Eftersom de två modellerna kommer från en och samma leverantör och en och samma dokumentationsyta är jämförelsen ovanligt ren — inga gissningar om funktionsparitet, ingen felmatchning mellan benchmarkversioner, inget ”deras siffror mot våra siffror”. Det är en enda leverantör som prissätter två hastigheter av samma förmåga, och det intressanta arbetet är att lista ut vilka arbetsbelastningar den billiga nivån faktiskt täcker.

Familjen, i två rader.

• MAI-Transcribe-2 — batch, förinspelat ljud, släppt den 3 september 2026. 2,0 % AA-WER, tvåa på Artificial Analysiss topplista för icke-strömmande. Ungefär 411× realtid, också tvåa. 0,10 USD per ljudtimme, cirka 1,67 USD per 1 000 minuter, som ett tidsbegränsat erbjudande till årets slut utan att något standardpris har publicerats. Inkluderar talaruppdelning och returnerar tidsstämplar på ordnivå. 60 språk med automatisk språkidentifiering.

• MAI-Transcribe-2-Streaming – kontinuerlig transkribering i realtid i WebSocket-stil, lanserad 1 oktober 2026. Microsoft rapporterar 2,5 % WER för slutlig transkription 0,13 sekunder efter talets slut, och samma 2,5 % för den första partiella transkriptionen vid 0,12 sekunder, vilket beskrivs som först med noggrannhet på båda – ett leverantörspåstående mätt enligt Artificial Analysis metodik för streaming, men när detta skrivs har trackerns egen resultattavla (37 modeller) ännu inte plottat modellen, och dess nuvarande ledare är Grok Voice Transcribe 2.0 med 2,73 % och 0,49 sekunder. 0,54 USD per ljudtimme, cirka 9,00 USD per 1 000 minuter, introduktionspris till årets slut. 60 språk med automatisk kontinuerlig språkidentifiering. Inget publicerat påstående om diarisering, inget publicerat påstående om ordtidsstämplar.

Den enda asymmetrin som inte handlar om hastighet eller pris är förmåga: batchmodellens diarisering och ordtidsstämplar är dokumenterade funktioner, medan strömningsmodellens inte är det. Det spelar större roll än noggrannhetsskillnaden på 0,5 punkter, och det är anledningen till att många team kommer att köra båda i slutändan.

Vad 5,4× faktiskt ger

Vid 1,67 $ per 1 000 minuter är batchtranskribering på den här noggrannhetsnivån nästan gratis marginellt. Vid 9,00 $ per 1 000 minuter är streaming en verklig kostnadspost – ungefär kostnaden för att transkribera samma ljud fem gånger om, plus en halv procentenhet i noggrannhet. Så frågan är inte om realtid är värt mer; det är vilka specifika minuter som behöver det.

De arbetsbelastningar där det tydligt är så: liveundertexter som en person läser medan talaren talar, där 0,13 sekunder kontra slutet på filen är hela produkten; realtidsassistans för agenter och efterlevnadsbedömning, där en intervention som kommer efter att samtalet har avslutats är värdelös; och interaktiva röstapplikationer, där en tur inte kan slutföras förrän transkriptionen gör det. I alla tre är batchmodellen inte ett billigare alternativ, den är ett icke-alternativ – det finns inget pris där efterhandstranskription blir realtid.

De arbetsbelastningar där det tydligt inte är fallet: mötes- och samtalsinspelningar som bearbetas i efterhand, mediearkiv, batch-QA för kontaktcenter, regelefterlevnadsgranskning av avslutade samtal, textning av poddar och video. Det är exakt de pipelines där batchmodellens 411× realtidsprestanda och prisnivån på 1,67 USD byggdes för att vinna, och att betala 5,4× för att korta en transkription med några hundra millisekunder som ingen läser förrän i morgon är ett renodlat slöseri. Lägg till funktionerna för diarisering och ordtidsstämplar – batchmodellen har dem dokumenterade, det har inte streamingmodellen – och argumentet för efterhandsanalys blir starkare, inte svagare.

Den intressanta mellanvägen är där de två verkligen kompletterar varandra: kör streaming för liveytan och batch för arkivet. Ett supportärende som transkriberas i realtid för att driva en agent-assist-panel och sedan transkriberas igen i batch över natten för att skapa arkivtranskriptionen med diarisering och tidsstämplar kostar en liten merkostnad jämfört med enbart batch och får båda beteendena. Det mönstret blev möjligt först i september, och det är oktoberversionen som fullbordar det.

Där tvådivisionsstrukturen framträder

Två saker hos den här familjen är värda att lägga märke till eftersom de är strukturella snarare än tillfälliga.

För det första är noggrannhetshierarkin omvänd jämfört med det vanliga mönstret. Strömmande modeller betalar normalt en betydande noggrannhetsavgift för realtidsutdata; här är avgiften 0,5 punkter, från 2,0 % på batchtavlan till påstådda 2,5 % på den strömmande. Microsoft fick en realtidsmodell inom en halv punkt från sitt batchflaggskepp enligt sina egna siffror, vilket är det verkliga ingenjörsbedriften i oktoberutgåvan om det håller – inte placeringen i toppen av tavlan, som en bra omkörning skulle kunna flytta och som trackern ännu inte har bekräftat.

För det andra är prissättningen också omvänd jämfört med det vanliga mönstret. Leverantörer rabatterar vanligtvis den högre volymnivån; Microsoft prissatte streaming till 5,4× batchpriset och lät båda ligga kvar på introduktionspriser som löper ut samtidigt. Det framstår mindre som en avsiktlig streamingpremie och mer som två separata lanseringar som vardera bär en lanseringsrabatt, utan publicerat standardpris för någon av dem. Team som planerar en 2027-budget bör betrakta båda siffrorna som preliminära – både 1,67 $ och 9,00 $ är märkta som tidsbegränsade, och ingen av dem har ett aviserat efterföljarpris.

Vad som inte är bevisat ännu

Batchmodellens öppna frågor från september är fortfarande öppna: ingen publicerad diariseringsfelfrekvens, ingen uppdelning per språk bakom påståendet om 60 språk, och ett kampanjpris utan att någon efterträdare nämns. Strömningsmodellen lägger till ytterligare en som är specifik för realtidsarbete — strömnings-WER mäts på rent ljud, och kvaliteten på deltranskriptioner i en brusig fjärrfältsström är det felläge som spelar störst roll vid driftsättning och täcks minst av lanseringsmaterialet. Den ärver också tätheten på streamingtavlan: de tre främsta på trackerns tavla med 37 modeller ligger inom en bråkdel av en poäng, så att vara ”först” är ett tillstånd som en omkörning kan ändra — och Microsofts förstaplats är ett påstående snarare än en rad.

Frågan på familjenivå är dock den man bör hålla ögonen på. Microsoft säljer nu samma funktion till två priser som skiljer sig fem gånger, där den dyra nivån saknar två funktioner som den billiga nivån dokumenterar. Om diarisering och ordtidsstämplar kommer till streaming-SKU:n, minskar gapet till en ren avvägning mellan latens och pris, vilket är ett mycket enklare beslut. Om de inte gör det är tvådivisionsstrukturen permanent och arkitekturer bör byggas kring den.

Var detta lämnar en transkriberingsstack

Den praktiska konsekvensen är att transkribering slutade vara en enskild post i september och blev ett routningsbeslut i oktober. En pipeline som tidigare standardiserade på ett API vill nu ha streaming för liveytan, batch för arkivet och en regel för vilket ljud som tar vilken väg — och den regeln är i sig ett routningsproblem, vilket är en märklig mängd komplexitet att hamna i en enda leverantörs releasecykel.

Det slår hårdast mot det som ligger ovanför transkriptet. Vilket skikt som än producerar texten, så sammanfattas, klassificeras, maskas och routas den sedan, och dessa steg körs på språkmodeller med sina egna latens- och kostnadsprofiler — ett direkttranskript vill ha en snabb, billig modell, medan ett arkiverat sådant har råd med en starkare. OrcaRouter täcker exakt det lagret: ett API över 200+ modeller, leverantörernas listpriser som förs vidare med 0 % påslag, automatisk failover och ett routing-DSL som väljer modell per arbetsbelastning i stället för per pipeline. Varken MAI-Transcribe-2-Streaming eller MAI-Transcribe-2 finns med på den listan — båda tillhandahålls via Microsofts egen talstack — men ett tvådelat transkriptionslager är det starkaste argumentet hittills för att hålla allt nedströms om det portabelt.

Den ärliga sammanfattningen: streaming är inte en bättre MAI-Transcribe-2, det är en andra produkt till ett andra pris. Köp den för de minuter som verkligen behöver vara i realtid, låt resten ligga kvar på den billiga nivån och budgetera för att båda priserna prissätts om när introduktionsperioden tar slut.