Команда из 10 человек в Microsoft создала речевую модель, которая дешевле и быстрее OpenAI и Google

Модель называется MAI-Transcribe-2. Подразделение Microsoft AI, которое возглавляет Мустафа Сулейман, выпустило её 3 сентября по цене $0,10 за час аудио — цена действует до конца 2026 года. Предыдущая версия, MAI-Transcribe-1.5, стоила $0,36 в час. Это снижение цены на 72% — не маркетинговое округление. Контакт-центр, обрабатывающий 100 000 часов аудио в год, платил $36 000 за прежнюю модель; та же нагрузка теперь стоит $10 000.

Именно результаты бенчмарков делают эту цену необычной. В многоязычной оценке FLEURS MAI-Transcribe-2 занимает первое место среди 60 языков со средней частотой ошибок в словах 5,2% — лучше, чем у OpenAI GPT-Transcribe, Google Gemini 3.5 Transcribe, ElevenLabs Scribe v2 и Meta Whisper V3-Large. В рейтинге Artificial Analysis, который отслеживает одновременно точность и задержку, модель находится на втором месте в общем зачёте и задаёт то, что исследователи называют границей Парето — рубежом, за которым невозможно улучшить один показатель без ухудшения другого. Модель обучали так, чтобы она располагалась на эффективном краю этой границы, а не гналась за вершиной какой-либо одномерной таблицы.

Скорость — второй важный показатель. Microsoft утверждает, что MAI-Transcribe-2 обрабатывает аудио в 10 раз быстрее GPT-Transcribe, в 7 раз быстрее ElevenLabs Scribe v2 и в 5 раз быстрее Gemini 3.5 Transcribe. Для длинных аудио — транскрибация подкастов, судебных стенограмм, клинических записей — эта разница определяет, выполняется ли процесс за секунды или за минуты. Модель также поддерживает диаризацию дикторов (определение того, кто и когда говорил), временные метки на уровне слов, ключевое смещение (keyword biasing) для терминологии предметной области и поддержку переключения кодов для языков, смешанных в пределах одного предложения, — в качестве проверенных примеров приводится Hinglish и Spanglish.

Команда, создавшая модель, примечательна пропорционально тому, что она создала. Microsoft описывает основную группу как 10 человек, работающих с минимальной внутренней бюрократией и поддерживаемых более крупными командами, занимающимися сбором данных и управлением поставщиками. Заявленная эффективность GPU конкретна: MAI-Transcribe-2 работает при половине затрат GPU по сравнению с конкурирующими моделями самого высокого уровня. Выдержит ли это корпоративную нагрузку в масштабе — из анонса неясно, но заявление об архитектуре достаточно точное, чтобы его можно было проверить.

Модель доступна сейчас на Microsoft Foundry, MAI Playground и Open Router — то есть для доступа не требуется контракт с Azure или корпоративные отношения с Microsoft. Такая широта распространения не случайна. Продвижение Microsoft AI прямых API для разработчиков — часть более широкой переориентации после реструктуризации партнёрства с OpenAI. Поправки, внесённые в октябре 2025 года и апреле 2026 года, отменили эксклюзивность и соглашения о разделе доходов, которые определяли отношения с 2019 года. Теперь у Microsoft есть прямой стимул конкурировать на уровне моделей, а не просто распространять результаты OpenAI.

Цена $0,10 указана как действующая до конца 2026 года. Стандартная цена после этой даты не раскрыта. Покупатели, оценивающие MAI-Transcribe-2 для производственных нагрузок, оценивают продукт, стоимость которого на календарный 2027 год им неизвестна. Это риск, который стоит назвать прямо, даже если текущая ставка делает модель привлекательной на фоне всех видимых альтернатив.

Теги: искусственный интеллект, Google, OpenAI, microsoft, ElevenLabs, MAI-Transcribe-2