一小时一毛钱：微软 MAI-Transcribe-2 自称又快又准又便宜

候选标题

1. 一小时一毛钱：微软 MAI-Transcribe-2 自称又快又准又便宜
2. 五个月三版：MAI-Transcribe-2 把转写压到 $0.10/小时并冲上 FLEURS
3. 对标 OpenAI / Google / ElevenLabs：微软用自研语音模型继续“少付租金”

导语

2026 年 9 月 3 日，Microsoft AI 发布 MAI-Transcribe-2。官方称这是其迄今最强转写模型，并在竞品中“最强且最高效”；VentureBeat 将其概括为在价格与速度上压过 OpenAI、Google 与 ElevenLabs 当前售卖方案。

核心数字写进发布稿：FLEURS 60 语平均词错误率（WER）5.2% 居首；在 Artificial Analysis 上定义准确率—延迟帕累托前沿，并在该机构 WER 榜单排第二；批量吞吐据称相对 GPT-Transcribe / Scribe v2 / Gemini 3.5 Transcribe 分别约 10× / 7× / 5× 更快；上市价 $0.10 / 小时音频（官方写明为限时优惠至年底）。模型可通过 Microsoft Foundry、MAI Playground 与 Open Router 试用。

原文内容详解

Microsoft AI 官方说了什么

据 Microsoft AI 发布说明（2026-09-03）：

• 定位：自称全球“最快、最准、最便宜”的语音识别模型；相较 Gemini 3.5 Transcribe、GPT-Transcribe、Whisper V3-Large、ScribeV2 等领先模型更强，并更能处理真实世界音频。
• 基准：FLEURS 60 语平均 WER 5.2% 排名第一；Artificial Analysis 准确率—延迟帕累托前沿居首，WER 榜单第二。
• 速度（Artificial Analysis 评测口径）：相对 OpenAI GPT-Transcribe 约 10×、ElevenLabs Scribe v2 约 7×、Gemini 3.5 Transcribe 约 5× 更快，且称准确率更高；长音频延迟显著降低，相对“领先竞品”处理可达约 10×。
• 价格：$0.10 / 小时，限时优惠至年底。
• 能力包：说话人分离（diarization）、词级时间戳、关键词偏置（keyword biasing）、可配置风格（verbatim 保留语气词/假启动；clean 去掉填充词）、语码转换（如 Hinglish、Spanglish）、自动语种识别、噪声鲁棒、60 种语言。
• 可用性：Microsoft Foundry、MAI Playground、Open Router。

VentureBeat 补充的产品与竞争叙事

VentureBeat（2026-09-03，PT 07:00）补充：

• 价格史：该线首版约五个月前为 $0.36 / 小时；新价约砍 72%。文中举例：企业年处理 10 万小时呼叫中心音频，账单可从约 $36,000 降到 $10,000（按官方标价推算的示意）。
• 语言扩张：60 语（2026-06 的 1.5 为 43；2026-04 首版为 25）。
• FLEURS 读法：1.5 曾报平均 WER 3.7%；2.0 的 5.2% 更可能因覆盖更多低资源语言拉高均值，而非单纯退步——买方应要分语言明细。
• Artificial Analysis：独立 API 实测；1.5 曾排 WER 第三（约 2.4%），落后于阿里 Fun-Realtime-ASR-preview 与 ElevenLabs Scribe v2；升至第二意味着据报道已压过 ElevenLabs。帕累托前沿含义：没有对手能在不牺牲速度的情况下更准，或在不牺牲准确率的情况下更快。
• 发布节奏：五个月三版（4/2 → 6/2 → 9/3），每版约扩语种 ~40% 并把竞品常作加价项的能力打进基价。
• 战略语境：微软对 OpenAI 的巨额投资与合作条款多次修订后，MAI 自研模型正被用来降低对外模型租金；转写是 Teams、Nuance 临床文书、Azure 语音等内生流量的自然替换点。文中亦援引 Mustafa Suleyman 对小团队与 GPU 成本优势的过往表述。
• 未宣称压过的对手：准确率叙事未点名击败阿里系；对 Deepgram、AssemblyAI、Speechmatics、Rev 等专科厂商也未正面点名，但 $0.10 基价会直接挤压其高量合同空间。

技术与产品价值分析

为何值得关注（作者判断）：语音转写采购长期被“基价 + diarization/时间戳/行业词表加价”拆单。微软把说话人分离、词级时间戳、关键词偏置、verbatim/clean、语码转换打进 $0.10 基价，等于用推理效率补贴功能捆绑——对呼叫中心、会议纪要、字幕与合规录音这类高时长流水线，单价比再涨几个基准点更可感。

对开发者的含义（作者判断）：

1. 单模型多语：60 语 + 自动语种识别 + 语码转换，降低“按语种切供应商”的运维复杂度。
2. 风格开关是合规开关：verbatim 服务法务/质检；clean 服务可读笔记——同一 API 覆盖两类 SLA。
3. 关键词偏置对准专科护城河：药名、工号、产品码正是 Deepgram / AssemblyAI 等靠垂直词表收费的点；效果仍需用你的词表实测。
4. 通道绑定：Foundry / Playground / Open Router 降低试用摩擦，但企业落地仍取决于区域、留存与是否进训练数据——发布稿未给足答案。

行业竞争与战略影响

对标对象（事实边界）：官方点名 GPT-Transcribe、Gemini 3.5 Transcribe、Whisper V3-Large、ScribeV2；VentureBeat 指出未正面点名专科转写厂商，也未宣称在准确率上压过阿里系在独立榜上的表现。

战略读法（作者判断）：

• 模态拆开自研：微软不是用一个通才模型打穿一切，而是按图像、语音、转写、代码、推理、安全等模态做“够用 + 极致推理成本”的组合，再经 Foundry 外卖、经自家产品内换。
• 转写是租金替代的最佳样板：问题边界清晰、指标客观（WER/吞吐），且 Teams / Nuance / Azure Speech 自带海量音频——每迁走一小时，就少付给外部合作方一小时。
• 价格战把转写商品化：五个月从 $0.36 到 $0.10，配合功能全打包，专科厂商剩下的差异化更依赖领域深度与集成，而不是裸 API 标价。
• 与 OpenAI 关系的公开叙事：VentureBeat 将此发布读作微软在合作松绑后“拥有工厂、减负租金”的证据；这是媒体框架，不等于合同文本结论。

风险、局限和争议

1. 厂商引用的第三方速度/准确率：10×/7×/5× 与帕累托表述来自 Artificial Analysis 评测口径经微软转述；读榜须核对测试集（偏英语商务语音）、批处理 vs 流式、以及 API 默认配置。
2. FLEURS 均值上升：相对 1.5 的 3.7%（43 语），2.0 的 5.2%（60 语）可能被低资源语言稀释；未公布分语言表前，不宜当作“全面更准”。
3. 流式能力空白：官方强调批量吞吐与长音频；VentureBeat 指出未谈实时转写——语音智能体与直播字幕买家需另测流式榜/延迟。
4. Diarization 无独立误差指标：WER 不衡量说话人归属错误；会议场景可能“词对了、人错了”。
5. 限时价与标准价：微软写明优惠至年底；采购模型须书面锁定到期后标价。
6. 数据与合规：发布材料未详述驻留、留存、是否用于再训练；受监管行业应单独问 Foundry 合同条款。
7. 口号级“全球最快最准最便宜”：属于营销总括，独立榜上仍有未被宣称击败的竞争者（如文中提到的阿里系准确率表现）。

评论员观点

我的读法：MAI-Transcribe-2 不是又一张“语音榜单海报”，而是微软用推理效率 → 标价 → 功能全打包把转写从利润中心打成基础设施——先在自家海量音频上省租金，再按一毛钱一小时外卖剩余产能。

真正要盯的不是 “10×” 口号，而是三件事能否在生产复现：你的语种分项 WER、说话人分离是否稳、以及 $0.10 到期后的真实账单。做到了，专科 API 的议价空间会被继续压扁；做不到，它仍是一篇漂亮的 Foundry 发布稿。

结论与趋势判断

未来 6—12 个月可见三条线：

1. 转写标价与功能捆绑成为默认战场，$0.10 级基价会迫使专科与前沿实验室重写价目表。
2. 批处理帕累托 ≠ 流式胜利；实时智能体与直播字幕会单独开赛道。
3. 微软模态组合拳继续内替外租：转写若跑通，同类“自研专用模型 + Foundry 分发 + 产品内替换”会复制到更多工作负载。

一句话：MAI-Transcribe-2 用 FLEURS 榜首叙事、Artificial Analysis 速度优势与限时一毛钱，把语音转写推进商品化；买家应用分语言、分场景、分流式的实测，而不是发布稿形容词，来决定是否换栈。