MAI-Transcribe-2 vs GPT Transcribe: Microsoft underbjuder OpenAIs transkribering på alla siffror.

Tre siffror skiljer MAI-Transcribe-2 från GPT Transcribe, och var och en av dem pekar i samma riktning. På Artificial Analysis topplista över icke-strömmande ordfelsfrekvens uppmäter MAI-Transcribe-2, som släpptes av Microsoft den 3 september 2026, 2,0 % AA-WER jämfört med 3,31 % för GPT Transcribe, OpenAIs API för transkribering av förinspelat ljud som lanserades fem veckor tidigare, den 28 juli 2026. På samma topplista, vad gäller hastighetsfaktor, körs MAI-Transcribe-2 i ungefär 411× realtid mot GPT Transcribes ungefär 34×. Och när det gäller pris har MAI-Transcribe-2 ett listpris på 0,10 dollar per ljudtimme – cirka 1,67 dollar per 1 000 minuter som ett tidsbegränsat lanseringserbjudande – mot GPT Transcribes 4,50 dollar per 1 000 minuter. Den sista skillnaden är en underbjudning på 63 %, och den träffar en produkt som OpenAI prissänkte med 25 % för bara några veckor sedan. Så här ser en marknad för standardvaror ut i samma ögonblick som ett andra frontier-lab bestämmer sig för att konkurrera på pris.

Klyftan, ett nummer i taget

Noggrannhet först, eftersom det är siffran som ingen leverantör kan gömma sig bakom med ett marknadsföringspåstående. De 2,0 % och 3,31 % kommer från samma oberoende testmiljö, Artificial Analysis, som körts mot båda modellerna – vilket gör skillnaden på 1,3 procentenheter till det renaste faktumet i hela jämförelsen: ungefär tretton färre fel per tusen ord vid samma WER-nivå. GPT Transcribes 3,31 % var i sig en förbättring med cirka 0,7 procentenheter jämfört med föregångaren GPT-4o Transcribe, och OpenAIs egna flerspråkiga körningar visade att den ungefär halverade Whisper-erans feltal. Microsoft har nu tagit andraplatsen på samma topplista helt och hållet, och på flerspråkig FLEURS rapporterar man en genomsnittlig WER på 5,2 % över 60 språk – den siffran kommer från Microsofts lanseringsinlägg och har ännu inte oberoende härletts per språk.

Nästa: hastighet. GPT Transcribe når ungefär 34× realtid, vilket är typiskt för en asynkron transkriberingsslutpunkt: en ljudfil på en timme kräver cirka två minuters beräkning. MAI-Transcribe-2 når ungefär 411× realtid och transkriberar samma ljudfil på under nio sekunders beräkning. Enligt siffrorna från Artificial Analysis är den verkliga skillnaden närmare 12×; Microsoft marknadsför den som "10× snabbare än OpenAI:s GPT-Transcribe", vilket innebär att leverantören avrundar sin egen fördel nedåt i stället för uppåt – ett ovanligt tecken. Det ärliga förbehållet är att siffran för MAI-Transcribe-2 är fyra dagar gammal och gäller genomströmning av batchfiler, inte live-latens, medan siffran för GPT Transcribe har fem veckors produktionstrafik bakom sig. Men ingenting i de två produkternas arkitektur tyder på att hastighetsklyftan kommer att försvinna; de är byggda för samma batchjobb med mycket olika effektivitet.

Priset kommer sist, eftersom det är siffran som förändrar beslut. GPT Transcribe listas till 0,0045 USD per minut — 4,50 USD per 1 000 minuter, ungefär 0,27 USD per ljudtimme — efter OpenAIs sänkning i juli från 0,006 USD för GPT-4o Transcribe. MAI-Transcribe-2 listas till 0,10 USD per ljudtimme fram till slutet av året, utan att något standardpris har offentliggjorts för tiden efter kampanjen. För 1 000 timmar ljud i månaden är skillnaden ungefär 170 USD: cirka 100 USD med MAI-Transcribe-2:s introduktionspris mot cirka 270 USD med listpriset för GPT Transcribe. OpenAIs 25-procentiga sänkning i juli såg aggressiv ut; Microsofts 63-procentiga underbjudande av det sänkta priset är en helt annan typ av drag, och det är hela anledningen till att den här jämförelsen finns.

Varför OpenAIs siffra var den trovärdiga

Det finns en anledning till att siffran 3,31 % i AA-WER för GPT Transcribe vägde tyngre än de flesta lanseringssiffror: den hade granskats oberoende, och granskningen överlevde kontakt med krävande ljudmaterial. Samma Artificial Analysis-körning som gav rubriksiffran blottade också den svaga punkten hos GPT Transcribe — en WER på 6,10 % på Earnings22, en samling med resultatsamtal, det svåraste offentliga benchmarket i kategorin — vilket talade om för köparna exakt var de inte borde använda den. Därefter följde fem veckors produktionstrafik, och prissänkningen från OpenAI visade att man konkurrerade på pris snarare än att defensivt skydda marginalerna. GPT Transcribe ärver också den praktiska begränsningen från sitt API: den är en renodlad batchprodukt, med filer upp till 25 MB per anrop, utan streamingnivå vid priset på 4,50 dollar, utan diarisering, utan vokabulärstyrning och utan stöd för språk som OpenAI inte har offentliggjort. Den transkriberar; allt utöver orden är anroparens problem.

Den tydligheten är vad som gjorde GPT Transcribe lätt att lita på, och det är exakt den tydlighet som en fyra dagar gammal modell ännu inte har förtjänat. Microsoft har inte publicerat någon diariseringsfelfrekvens för MAI-Transcribe-2, ingen språkspecifik träffsäkerhetstabell bakom sitt 60-språkiga FLEURS-genomsnitt och ingen streaming-SKU. Ingen av dessa utelämnanden innebär att modellen är svag — inbyggd diarisering och en 60-språkig räckvidd är verklig produktyta som GPT Transcribe inte ens erbjuder — men var och en är en punkt där en oberoende omkörning skulle kunna revidera bilden. Träffsäkerhetssiffran är AA-mätt och verklig; produkten runt omkring är obevisad på exakt de sätt som bara produktionstrafik kan avslöja.

Featureseten har inte samma form.

• Diarisering — MAI-Transcribe-2 inkluderar talarattribuering utan publicerad felfrekvens; GPT Transcribe erbjuder den inte alls, så transkriptet levereras som en enda odifferentierad ström.

• Kontroll — MAI-Transcribe-2 erbjuder nyckelordsstyrning för namn och jargong samt ordagranna och rena transkriberingsstilar; GPT Transcribe erbjuder ingetdera, utan returnerar råa ord och text utan skiljetecken för anroparen att efterbearbeta.

• Tidsstämplar — båda returnerar tidsjusterad utdata; MAI-Transcribe-2:s är på ordnivå direkt ur lådan.

• Språk — MAI-Transcribe-2 publicerar 60 språk med automatisk identifiering; GPT Transcribe publicerar inte sin språklista, vilket i sig är ett planeringsproblem för flerspråkiga arbetsbelastningar.

• Streaming — GPT Transcribe:s $4.50-nivå är endast batch, och dess streaming-motsvarighet, GPT Live Transcribe, är en separat produkt på $17 per 1 000 minuter; MAI-Transcribe-2 har ingen streamingprodukt alls, varken annonserad eller demonstrerad.

• Form — båda är hanterade API:er för förinspelade filer, vilket är varför denna jämförelse är rättvis; skillnaden är att Microsoft lade in mer av den användbara efterbehandlingen i basprodukten till en tredjedel av priset.

Vem bör flytta, och när?

Om du transkriberar stora volymer ljud i batch och early-bird-priset överlever kontakt med dina egna filer, är MAI-Transcribe-2 det rationella standardvalet just nu: bättre uppmätt WER, ungefär tolv gånger högre genomströmning och ett 63 % lägre pris per 1 000 minuter för en produkt som paketerar diarisering och stilkontroll – något som OpenAI inte tar extra betalt för, eftersom de inte erbjuder det. Bytet kostar lite: ett test mot ett urval av ditt eget svåraste ljud skingrar det mesta av osäkerheten, och priset på 1,67 dollar gör experimentet nästan gratis fram till årsskiftet.

Om din arbetsbelastning är produktionskritisk, reglerad eller redan uppbyggd kring OpenAI, är femveckorsförsprånget och den publicerade svagheten i Earnings22 värda mer än prisskillnaden. GPT Transcribe är den modell vars felscenarier du kan namnge; felscenarierna för MAI-Transcribe-2 upptäcks fortfarande. Det försiktiga tillvägagångssättet är det som ett routningslager finns till för att stödja: behåll den beprövade modellen som standard, skicka en avvägd del av trafiken till utmanaren och jämför transkriptionerna på dina egna data innan du promoverar något. Den där prova-och-promovera-disciplinen är hela poängen med OrcaRouters automatiska failover och routnings-DSL — nya modeller får produktionstrafik i procentsatser, inte genom dekret, och samma konfiguration med en enda nyckel som når 200+ modeller gör resten av stacken ovanför transkriptet leverantörsoberoende medan STT-tävlingen utspelar sig.

Lanseringsinlägget bakom MAI-Transcribe-2:s siffror ramar in allt som en jämförelse med namngivna konkurrenter snarare än som absoluta siffror — vilket är en nyttig disciplinkoll för den som läser det: ta de relativa påståendena, hitta de absoluta siffrorna på den oberoende resultattavlan och stämpla resten som leverantörsvinkling.

$1,67-satsen har ett utgångsdatum och 2,0 % har ett fyradagarsrykte, och OpenAI kommer så småningom att svara på båda. Men marknadens form har just förändrats: för första gången är det billigaste API:et för hanterad transkription med hög träffsäkerhet också det mest träffsäkra och det snabbaste – och det är inte OpenAIs. Även om standardpriset för MAI-Transcribe-2 landar väl över lanseringserbjudandet, har ribban för träffsäkerhet per dollar inom hanterad transkription flyttats – och den flyttades på Microsofts villkor.