MAI-Transcribe-2 so với GPT Transcribe: Microsoft vượt trội hơn Transcript của OpenAI ở mọi con số

Ba con số phân biệt MAI-Transcribe-2 với GPT Transcribe, và cả ba đều chỉ về cùng một hướng. Trên bảng xếp hạng tỷ lệ lỗi từ không phát trực tiếp (non-streaming word-error-rate) của Artificial Analysis, MAI-Transcribe-2 do Microsoft phát hành ngày 3 tháng 9 năm 2026 đạt mức AA-WER 2,0%, so với 3,31% của GPT Transcribe – API phiên âm các bản ghi âm thu sẵn của OpenAI, ra mắt sớm hơn năm tuần vào ngày 28 tháng 7 năm 2026. Cũng trên bảng xếp hạng này, ở chỉ số tốc độ, MAI-Transcribe-2 xử lý nhanh gấp khoảng 411 lần thời gian thực, so với khoảng 34 lần của GPT Transcribe. Về giá, MAI-Transcribe-2 được niêm yết ở mức 0,10 USD mỗi giờ âm thanh – tức khoảng 1,67 USD mỗi 1.000 phút theo ưu đãi ra mắt có thời hạn – so với mức 4,50 USD mỗi 1.000 phút của GPT Transcribe. Khoảng cách cuối cùng này tương đương mức cắt giảm 63%, và nó giáng vào một sản phẩm mà OpenAI vừa định giá lại thấp hơn 25% chỉ vài tuần trước. Đây chính là bộ mặt của một thị trường hàng hóa vào đúng khoảnh khắc phòng thí nghiệm tiên phong thứ hai quyết định cạnh tranh bằng giá.

Khoảng cách, từng con số một

Độ chính xác phải được đặt lên hàng đầu, vì đây là con số mà không nhà cung cấp nào có thể trốn sau một tuyên bố tiếp thị. Các mức 2,0% và 3,31% đến từ cùng một hệ thống đánh giá độc lập, Artificial Analysis, được chạy trên cả hai mô hình — điều khiến khoảng cách 1,3 điểm trở thành con số rõ ràng nhất trong toàn bộ so sánh này: ít hơn khoảng mười ba lỗi trên mỗi nghìn từ ở cùng mức WER. Mức 3,31% của GPT Transcribe tự nó đã là một cải thiện khoảng 0,7 điểm so với phiên bản tiền nhiệm GPT-4o Transcribe, và các bài chạy đa ngôn ngữ của chính OpenAI cho thấy nó giảm gần một nửa tỷ lệ lỗi so với kỷ nguyên Whisper. Microsoft giờ đã chính thức giành vị trí thứ hai trên cùng bảng xếp hạng đó, và trên FLEURS đa ngôn ngữ, hãng báo cáo WER trung bình 5,2% trên 60 ngôn ngữ — con số này đến từ bài đăng ra mắt của Microsoft, chưa được tính toán độc lập lại cho từng ngôn ngữ.

Tiếp theo là tốc độ. GPT Transcribe đạt khoảng 34 lần tốc độ thời gian thực — mức điển hình cho một endpoint phiên âm không đồng bộ: một tệp dài một giờ chỉ cần khoảng hai phút tính toán. MAI-Transcribe-2 đạt khoảng 411 lần tốc độ thời gian thực, phiên âm cùng một giờ đó trong chưa đầy chín giây tính toán. Theo số liệu của Artificial Analysis, khoảng cách thực tế chỉ gần 12 lần; Microsoft tiếp thị rằng nó "nhanh hơn 10 lần so với GPT-Transcribe của OpenAI," tức là hãng tự làm tròn giảm lợi thế của mình thay vì làm tròn tăng — một dấu hiệu bất thường. Sự thật cần nói rõ là con số của MAI-Transcribe-2 mới cách đây bốn ngày và phản ánh thông lượng xử lý tệp hàng loạt, không phải độ trễ trực tiếp, trong khi GPT Transcribe đã có năm tuần lưu lượng vận hành thực tế hậu thuẫn. Nhưng không có gì trong kiến trúc của hai sản phẩm cho thấy khoảng cách tốc độ này sẽ được thu hẹp; cả hai được xây dựng cho cùng một loại tác vụ hàng loạt nhưng với hiệu quả rất khác nhau.

Giá để cuối cùng, vì đó là con số làm thay đổi quyết định. GPT Transcribe niêm yết ở mức $0,0045 mỗi phút — tức $4,50 mỗi 1.000 phút, khoảng $0,27 mỗi giờ âm thanh — sau khi OpenAI hồi tháng 7 cắt giảm từ mức $0,006 của GPT-4o Transcribe. MAI-Transcribe-2 niêm yết ở mức $0,10 mỗi giờ âm thanh cho đến hết năm, không công bố mức giá tiêu chuẩn cho giai đoạn sau khuyến mãi. Với 1.000 giờ âm thanh mỗi tháng, chênh lệch là khoảng $170: gần $100 theo mức giá ưu đãi đăng ký sớm của MAI-Transcribe-2 so với gần $270 theo giá niêm yết của GPT Transcribe. Đợt giảm 25% của OpenAI hồi tháng 7 trông đã quyết liệt; việc Microsoft chào giá thấp hơn tới 63% so với mức giá sau giảm lại là một nước đi ở cấp độ hoàn toàn khác, và đó là toàn bộ lý do vì sao sự so sánh này tồn tại.

Tại sao con số của OpenAI lại là con số đáng tin cậy

Có một lý do khiến AA-WER 3,31% của GPT Transcribe có sức nặng hơn hầu hết các con số lúc ra mắt: nó đã được kiểm toán độc lập, và cuộc kiểm toán đã trụ vững trước những bản audio khó nhằn. Chính bài chạy Artificial Analysis tạo ra con số tiêu đề đó cũng phơi bày điểm yếu của GPT Transcribe — WER 6,10% trên bộ dữ liệu cuộc gọi thu nhập Earnings22, benchmark công khai khó nhất trong hạng mục này — cho người mua biết chính xác không nên dùng nó ở đâu. Năm tuần lưu lượng sản xuất thực tế sau đó, và việc OpenAI giảm giá cho thấy họ đang cạnh tranh bằng chi phí thay vì bảo vệ biên lợi nhuận theo kiểu phòng thủ. GPT Transcribe cũng thừa hưởng ràng buộc thực tế của API: sản phẩm chỉ xử lý theo lô, tệp tối đa 25 MB mỗi yêu cầu, không có gói phát trực tuyến ở mức giá 4,50 USD, không có tách diễn giả, không có điều chỉnh từ vựng, và chỉ hỗ trợ những ngôn ngữ OpenAI đã công bố. Nó chỉ phiên âm; mọi thứ ngoài lời nói là bài toán của phía gọi API.

Sự rõ ràng đó chính là điều khiến {{1}}GPT Transcribe{{/1}} dễ dàng được tin tưởng, và đó cũng chính là sự rõ ràng mà một mô hình mới chỉ bốn ngày tuổi chưa xứng đáng có được. Microsoft chưa công bố tỷ lệ lỗi tách giọng nói cho {{2}}MAI-Transcribe-2{{/2}}, chưa có bảng độ chính xác theo từng ngôn ngữ đằng sau con số trung bình FLEURS 60 ngôn ngữ, và cũng chưa có gói dịch vụ phát trực tiếp. Không một thiếu sót nào trong số đó có nghĩa là mô hình yếu — tính năng tách giọng nói tích hợp và phạm vi tiếp cận 60 ngôn ngữ là những mảng sản phẩm thực sự mà ngay cả {{1}}GPT Transcribe{{/1}} cũng không có — nhưng mỗi thiếu sót là một nơi mà việc chạy lại độc lập có thể thay đổi câu chuyện. Con số độ chính xác được đo lường bởi {{3}}AA{{/3}} và là thật; sản phẩm xung quanh con số đó vẫn chưa được kiểm chứng đúng theo những cách mà chỉ lưu lượng sản xuất thực tế mới hé lộ.

Các tập đặc trưng không có cùng hình dạng.

• Diarization — MAI-Transcribe-2 tích hợp sẵn tính năng gán người nói nhưng không công bố tỷ lệ lỗi; GPT Transcribe hoàn toàn không cung cấp tính năng này, nên bản ghi âm được xuất ra như một luồng văn bản không phân biệt được ai nói.

• Kiểm soát — MAI-Transcribe-2 hỗ trợ ưu tiên từ khóa cho tên riêng và thuật ngữ chuyên ngành, đồng thời cung cấp các kiểu phiên âm nguyên văn và phiên âm sạch; GPT Transcribe không có cả hai tính năng này, chỉ trả về văn bản thô, không dấu câu để bên gọi tự xử lý sau.

• Dấu thời gian — cả hai đều trả về đầu ra được căn chỉnh theo thời gian; của MAI-Transcribe-2 ở cấp độ từ ngay khi sử dụng.

• Ngôn ngữ — MAI-Transcribe-2 công bố 60 ngôn ngữ với tính năng tự động nhận dạng; GPT Transcribe không công bố danh sách ngôn ngữ của mình, điều này tự nó là một vấn đề hoạch định cho các khối lượng công việc đa ngôn ngữ.

• Streaming — Gói 4,50 USD của GPT Transcribe chỉ xử lý theo lô, còn bản streaming của nó, GPT Live Transcribe, là một sản phẩm riêng biệt có giá 17 USD cho mỗi 1.000 phút; MAI-Transcribe-2 thì hoàn toàn không có sản phẩm streaming nào, dù là đã được công bố hay mới chỉ được trình diễn.

• Shape — cả hai đều là API được quản lý dành cho các tệp ghi sẵn, đó là lý do sự so sánh này công bằng; điểm khác biệt là Microsoft đã đưa nhiều tính năng xử lý hậu kỳ hữu ích hơn vào sản phẩm cơ bản với mức giá chỉ bằng một phần ba.

Ai nên chuyển đi, và khi nào?

Nếu bạn phiên âm audio hàng loạt khối lượng lớn và mức giá ưu đãi sớm vẫn còn hiệu lực với chính file của bạn, MAI-Transcribe-2 là lựa chọn mặc định hợp lý ngay lúc này: WER đo được tốt hơn, thông lượng cao gấp khoảng mười hai lần, và giá mỗi 1.000 phút thấp hơn 63% trên sản phẩm tích hợp sẵn tính năng tách kênh (diarization) và kiểm soát phong cách — những thứ mà OpenAI tính phí thêm không hề có — vì họ không cung cấp các tính năng đó. Việc chuyển đổi này tốn rất ít: thử nghiệm trên một phần audio khó nhất của chính bạn sẽ giải quyết phần lớn sự không chắc chắn, và mức giá $1,67 khiến cho việc thử nghiệm gần như miễn phí cho đến hết năm.

Nếu khối lượng công việc của bạn là then chốt cho sản xuất, chịu sự quản lý chặt chẽ, hoặc đã được tích hợp xung quanh OpenAI, thì lợi thế dẫn trước năm tuần và điểm yếu Earnings22 đã được công bố đáng giá hơn khoảng chênh lệch giá. GPT Transcribe là mô hình mà bạn có thể kể tên các kiểu lỗi của nó; còn các kiểu lỗi của MAI-Transcribe-2 vẫn đang được khám phá. Cách làm thận trọng chính là cách mà một lớp định tuyến tồn tại để hỗ trợ: giữ mô hình đã được kiểm chứng làm mặc định và chuyển một phần lưu lượng được tính toán tới mô hình thách thức, so sánh các bản transcript trên dữ liệu của riêng bạn trước khi thăng cấp bất kỳ mô hình nào. Kỷ luật dùng thử rồi thăng cấp đó chính là toàn bộ ý nghĩa của tính năng tự động chuyển đổi dự phòng và DSL định tuyến của OrcaRouter — các mô hình mới giành được lưu lượng sản xuất theo tỷ lệ phần trăm, không phải theo sắc lệnh, và chính thiết lập một phím có thể vươn tới hơn 200 mô hình ấy giúp phần còn lại của ngăn xếp phía trên trở nên không phụ thuộc vào nhà cung cấp transcript trong khi cuộc đua STT vẫn đang diễn ra.

Bài đăng công bố đằng sau các con số của MAI-Transcribe-2 đóng khung mọi thứ như một sự so sánh với các đối thủ được nêu tên thay vì đưa ra các số liệu tuyệt đối — đây là một bài kiểm tra tính kỷ luật hữu ích cho bất kỳ ai đọc nó: hãy lấy các tuyên bố tương đối, tìm các con số tuyệt đối trên bảng đánh giá độc lập, và gắn nhãn phần còn lại là cách trình bày mang tính định hướng từ nhà cung cấp.

Mức giá $1.67 có thời hạn áp dụng, còn mức 2.0% mới chỉ gây tiếng vang được bốn ngày — nhưng OpenAI rồi sẽ phải trả lời cho cả hai. Nhưng cục diện thị trường này vừa thay đổi: lần đầu tiên, API phiên âm được quản lý rẻ nhất trong nhóm có độ chính xác cao lại cũng chính là API chính xác nhất và nhanh nhất — và nó không phải của OpenAI. Ngay cả khi giá tiêu chuẩn của MAI-Transcribe-2 cao hơn hẳn mức ưu đãi khi ra mắt, thì chuẩn mực “độ chính xác trên mỗi đô la” trong mảng phiên âm được quản lý đã dịch chuyển — và nó đã dịch chuyển theo các điều kiện của Microsoft.