MAI-Transcribe-2 对比 GPT Transcribe：微软在每一项数字指标上都胜过 OpenAI 的转录服务

三个数字将MAI-Transcribe-2与GPT Transcribe区分开来，而每一个都指向同一个方向。在Artificial Analysis的非流式词错误率排行榜上，微软于2026年9月3日发布的MAI-Transcribe-2录得2.0%的AA-WER，而GPT Transcribe为3.31%；后者是OpenAI于2026年7月28日推出的预录制转录API，比前者早五周上线。在同一排行榜的速度系数上，MAI-Transcribe-2的运行速度约为实时的411倍，而GPT Transcribe约为34倍。在价格方面，MAI-Transcribe-2的标价为每音频小时0.10美元——限时发布优惠约为每1,000分钟1.67美元——而GPT Transcribe为每1,000分钟4.50美元。最后一个差距是63%的降价打击，而这一刀落在了OpenAI几周前刚刚下调25%价格的产品上。这就是当第二家前沿实验室决定在价格上展开竞争时，商品市场呈现出的景象。

差距，一次一个数字

准确性优先，因为这是两家厂商都无法用营销话术掩盖的数字。2.0%和3.31%来自同一个独立评测框架Artificial Analysis，对两个模型同条件运行所得——这使得1.3个百分点的差距成为整场对比中最干净的事实：在同一条WER线上，每千词约少13个错误。GPT Transcribe的3.31%本身就已比前代GPT-4o Transcribe提升了约0.7个百分点，OpenAI自家的多语言测试也显示它大致将Whisper时代的错误率减半。微软如今直接拿下了同一榜单的第二名，并在多语言FLEURS上报告了60种语言平均5.2%的WER——该数字来自微软的发布公告，尚未按语言独立复算。

接下来是速度。GPT Transcribe 约 34 倍实时的速度，对异步转录端点来说属于典型表现：一个一小时的音频文件，大约需要两分钟的计算时间。MAI-Transcribe-2 则约为实时速度的 411 倍，同一段音频可在不到九秒的计算时间内完成转录。根据 Artificial Analysis 的数据，两者真实差距更接近 12 倍；微软却将其宣传为“比 OpenAI 的 GPT-Transcribe 快 10 倍”——这是在把自己的优势向下取整而不是向上取整，堪称不寻常的信号。需要坦率说明的是，MAI-Transcribe-2 的数据是四天前的，衡量的是批量文件吞吐量，而非实时延迟；GPT Transcribe 的数据背后则有五周的生产流量。但就两款产品的架构而言，没有迹象表明速度差距会缩小：它们为同样的批处理任务而生，效率却相去甚远。

把价格放在最后，因为价格才是改变决策的数字。GPT Transcribe 的标价为每分钟 0.0045 美元——每 1,000 分钟 4.50 美元，约合每音频小时 0.27 美元——这是在 OpenAI 于 7 月将 GPT-4o Transcribe 从 0.006 美元降价之后的价格。MAI-Transcribe-2 的标价为每音频小时 0.10 美元，直到年底，促销结束后的标准价格未公布。按每月 1,000 小时的音频计算，差额约为 170 美元：按 MAI-Transcribe-2 的早鸟价约为 100 美元，而按 GPT Transcribe 的标价约为 270 美元。OpenAI 在 7 月降价 25% 看起来已经很有攻击性；微软比降价后价格再低 63% 则是另一种级别的举措，而这正是这次比较存在的全部原因。

为什么OpenAI的数字才是可信的

GPT Transcribe 的 3.31% AA-WER 之所以比大多数发布数据更有分量，是有原因的：它经过了独立审计，而且该审计在硬音频的考验下依然成立。产生这一头条数字的同一轮 Artificial Analysis 测试，也暴露了 GPT Transcribe 的弱点——在 Earnings22 财报电话会议数据集上 WER 为 6.10%，这是该类别中最难的公开基准——这恰恰告诉买家不应将它用在哪里。随后是五周的生产流量，OpenAI 的降价表明它是在成本上竞争，而非防御性地保护利润率。GPT Transcribe 还继承了其 API 的实际限制：它是一个纯批处理产品，单次请求文件上限为 25 MB，在 4.50 美元价位没有流式支持，没有说话人分离，没有词汇偏向，也没有 OpenAI 未公布的语言。它只负责转写；超出文字之外的一切都是调用方的问题。

正是这种透明度让 GPT Transcribe 赢得了用户的信任，而这恰恰是发布仅四天的模型尚未赢得的。微软没有为 MAI-Transcribe-2 公布说话人分离错误率，没有在其 60 语言 FLEURS 平均值背后提供逐语言准确率表，也没有提供流式 SKU。这些缺漏都不意味着该模型实力不济——内置话者分离和覆盖 60 种语言都是实实在在的产品能力，GPT Transcribe 甚至尚未提供——但每一个缺口都是独立复测可能改写结论之处。那个准确率数字是由 AA 测得的真实数据；而其周边的产品尚未得到验证，且未经验证之处恰恰只有生产环境流量才能揭示。

特征集的形状不相同

• 说话人分离 — MAI-Transcribe-2 集成了说话人标注功能，但未公布错误率；GPT Transcribe 完全不提供该功能，因此转录结果只能以一段无区分的文本流形式呈现。

• 控制 — MAI-Transcribe-2 提供针对人名和术语的关键词偏置，以及逐字转录和清洁转录两种风格；GPT Transcribe 两者均不提供，而是返回原始词汇和无标点文本，交由调用方自行后处理。

• 时间戳 — 两者都会返回时间对齐的输出；MAI-Transcribe-2 的时间戳开箱即为词级。

• 语言 — MAI-Transcribe-2 公布支持60种语言，并具备自动识别功能；GPT Transcribe 未公布其语言列表，这本身就是多语言工作负载规划中的一个问题。

• 流式转写 — GPT Transcribe 的 4.50 美元档位仅支持批量处理，其流式版 GPT Live Transcribe 是独立产品，价格为每 1,000 分钟 17 美元；MAI-Transcribe-2 则完全没有流式产品，既未发布也未演示。

• Shape — 两者都是针对预录文件的托管 API，因此这场比较是公平的；不同之处在于，微软以三分之一的价格将更多实用的后处理功能加入到了基础产品中。

谁应该移动，以及何时移动？

如果你要转录大批量音频，而且早鸟费率用在你自己那些文件上依然成立，那么 MAI-Transcribe-2 目前就是理性的默认选择：实测 WER 更低、约 12 倍的吞吐量、每 1,000 分钟的价格还低 63%——而且这款产品捆绑了说话人分离和风格控制；OpenAI 并未对这些功能额外收费，因为它根本不提供这些功能。这个切换代价很低：拿你自己最难处理的一小批音频做一次测试，就能消除大部分不确定性；而 1.67 美元的费率，让这项实验到年底前几乎等于免费。

如果你的工作负载属于生产关键型、受监管，或已围绕 OpenAI 搭建，那么五周的领先优势与已公开的 Earnings22 弱点，其价值远超价格差距。GPT Transcribe 是那种你能叫得出名号的失败模式的模型；而 MAI-Transcribe-2 的失败模式仍在被发现之中。稳妥的做法正是路由层所支持的：将久经验证的模型保留为默认，再向挑战者模型分配一小部分受控流量，在正式升级任何模型之前，用你自己的数据对比转录结果。这种“先试用、再升级”的原则正是 OrcaRouter 自动故障转移与路由 DSL 的意义所在——新模型以百分比赢得生产流量，而非靠一纸行政命令；同时，同一个一键接入 200 多个模型的配置，也使转录服务之上的技术栈保持与供应商无关，静观这场 STT 竞赛的展开。

MAI-Transcribe-2 数字背后的发布文章将所有内容框定为与指名对手的比较，而非绝对数字——这对任何读者来说都是一种有用的纪律检验：提取相对表述，在独立评测板上找到绝对数字，并将其余内容标注为厂商宣传框架。

1.67美元的费率有有效期，2.0%则有四天的口碑，OpenAI最终会两样都回应。但这个市场的格局刚刚改变：有史以来第一次，最便宜的高精度托管转录API同时也是最准确、最快的，而且它不是OpenAI的。即便MAI-Transcribe-2的标准价格远高于发布优惠价，托管转录领域“每美元精度”的门槛已经抬高——而且是按微软的条件抬高的。