微软自研语音模型 MAI-Transcribe-2：一小时录音一毛钱，比 OpenAI 快 10 倍
微软一边是 OpenAI 最大的金主，一边亲手做了个模型，专门拿来跟 OpenAI 的产品比速度。
三个关键信息
60 种语言平均词错率 5.2%。 微软 AI 团队 9 月 3 日发布自研语音转文字模型 MAI-Transcribe-2。官方称它在 FLEURS 多语言基准上以 5.2% 的平均词错率排名第一，胜过 Whisper-Large-V3、OpenAI 的 GPT-Transcribe、ElevenLabs 的 Scribe v2 和 Google 的 Gemini 3.5 Transcribe；在 Artificial Analysis 的词错率榜单上排第二。
速度号称是 OpenAI 的 10 倍。 微软称它比 GPT-Transcribe 快 10 倍，比 Scribe v2 快 7 倍，比 Gemini 3.5 Transcribe 快 5 倍。功能上支持说话人分离、逐词时间戳、关键词偏置（提升专业术语和人名识别），还能处理印地语夹英语、西班牙语夹英语这类混说。
价格每小时音频 0.1 美元，限时到年底。 模型已上架 Microsoft Foundry、MAI Playground，也能在 OpenRouter 上调用，面向视频字幕、会议纪要、客服通话分析和语音 Agent 等场景。
王斗视角
一毛钱一小时是什么概念？一个每天开 8 小时会的公司，一年转写费不到 300 美元，还没有一次团建的奶茶钱多。语音转文字这门生意，被微软一刀砍成了自来水。
但真正有意思的不是便宜，是对手名单。微软在官方稿里点名比较的第一个就是 OpenAI 的 GPT-Transcribe，而且挑的是「快 10 倍」这种最扎心的指标。投了上百亿美元的股东，转头做自己的模型、上别人的路由平台、跟被投公司抢同一批开发者——这哪里是战略伙伴，分明是一边交房租一边在隔壁盖楼。
当然也要冷静：基准成绩是厂商自己挑的考卷，「限时价格」到年底就结束，明年涨不涨价、涨到多少，官方没说。对开发者来说，最划算的做法是趁这几个月把它当免费午餐吃，但别急着把整个产品绑死在一家的菜单上。