Глава Microsoft AI назвал новую модель расшифровки речи самой точной. Она дороже модели ElevenLabs

Microsoft представила MAI-Transcribe-2-Streaming — модель, которая переводит речь в текст прямо по ходу разговора, а глава Microsoft AI¹ Мустафа Сулейман назвал её в соцсети X самой точной в мире.

Почему это важно: это первая модель серии MAI для расшифровки на лету: вышедшая 3 сентября MAI-Transcribe-2 работает только с готовыми записями. Живая расшифровка нужна голосовым помощникам, колл-центрам и субтитрам, и здесь Microsoft соперничает с Meta*, компанией Илона Маска SpaceXAI и ElevenLabs².

Цитата: «Мы запускаем самую точную в мире модель расшифровки в реальном времени… № 1. На 55% быстрее и на 60% дешевле, чем ElevenLabs», — написал Сулейман 1 октября и позвал разработчиков строить агентов на платформе Microsoft.

Детали: Сулейман процитировал пост, где Artificial Analysis³ сравнила 38 моделей в своём рейтинге потоковой расшифровки:

• MAI-Transcribe-2-Streaming ошибается в 2,5% слов и выдаёт окончательный текст через 0,13 секунды после конца фразы.
• Прежний лидер, Grok Voice Transcribe 2.0 от SpaceXAI, ошибается в 2,7% слов и выдаёт текст через 0,49 секунды.
• ElevenLabs Scribe v2 Realtime ошибается в 3,6% слов, а окончательный текст выдаёт через 0,14 секунды.

Расклад: это третий новый лидер рейтинга за месяц. В начале сентября первое место заняла Muse Voice Transcribe от Meta, 18 сентября — Grok Voice Transcribe 2.0, которую тогда выпустила SpaceXAI.

Как это работает: модель понимает 60 языков и сама замечает, когда собеседник переходит на другой. Первые черновые слова она выдаёт чуть больше чем через 100 миллисекунд, а потом уточняет их.

Проверили: цифры 55% и 60% в анонсе Microsoft того же дня относятся к другой модели — MAI-Voice-2.1-Flash, которая озвучивает текст, а не расшифровывает речь. Её сравнивают со «сравнимыми моделями», ElevenLabs там не названа. Какую модель имел в виду Сулейман, он не уточнил.

В цифрах: цены на расшифровку на лету выглядят так:

• MAI-Transcribe-2-Streaming стоит 0,54 доллара за час записи, это вводная цена Microsoft до конца года.
• ElevenLabs берёт за Scribe v2 Realtime 0,39 доллара за час записи по стандартному тарифу своего API.
• Muse Voice Transcribe от Meta, по подсчёту Artificial Analysis, втрое дешевле модели Microsoft.

Что говорят: по цене модель Microsoft находится «в верхней части диапазона среди ведущих потоковых моделей», пишут в Artificial Analysis.

Но: в документации Azure модель помечена как публичная предварительная версия без соглашения об уровне услуг⁴, и Microsoft не советует ставить её в рабочие системы. Сколько она будет стоить с января, компания не сказала.