MAI-Transcribe-2-Streaming и MAI-Transcribe-2 — это одно семейство моделей, разделенное на два ценовых уровня, и это разделение достаточно четкое, чтобы планировать работу с учетом него. Модель MAI-Transcribe-2 была выпущена 3 сентября 2026 года как пакетная: 2,0% частоты ошибок в словах (WER) на не-потоковом стенде Artificial Analysis, примерно 411-кратная скорость реального времени и $0,10 за аудиочас — около $1,67 за 1000 минут. Модель MAI-Transcribe-2-Streaming была выпущена 1 октября 2026 года как вариант для работы в реальном времени: заявленная частота ошибок в словах при потоковой передаче составляет 2,5% при времени до получения финальной транскрипции 0,13 секунды, что, по описанию Microsoft, является лучшим показателем точности как для финальных, так и для частичных транскрипций, измеренным по методологии потоковой передачи Artificial Analysis, а не просто нанесенным в виде строки на доске отслеживания. Цена составляет $0,54 за аудиочас — около $9,00 за 1000 минут. Те же 60 языков, то же распространение только через API, веса не опубликованы. Потоковая передача стоит в 5,4 раза дороже пакетной обработки и, согласно собственным цифрам Microsoft, проигрывает 0,5 пункта в точности. Является ли это выгодной сделкой или переплатой, зависит исключительно от одного вопроса: нужно ли что-то в вашем конвейере обработки получать транскрипцию до того, как предложение будет закончено?
Поскольку обе модели поступают от одного поставщика и из одного источника документации, сравнение получается необычно чистым — никаких догадок о паритете функций, никаких несоответствий версий бенчмарков, никаких «их цифр против наших». Это один поставщик, устанавливающий цены на две скорости одной и той же возможности, и интересная работа заключается в том, чтобы выяснить, какие рабочие нагрузки на самом деле покрывает дешевый уровень.
Семейство в двух строках
• MAI-Transcribe-2 — пакетная, для предварительно записанного аудио, выпущена 3 сентября 2026 года. 2,0% AA-WER, второе место в не-потоковом рейтинге Artificial Analysis. Примерно 411-кратная скорость реального времени, также второе место. $0,10 за аудиочас, около $1,67 за 1000 минут, в качестве ограниченного по времени предложения до конца года без публикации стандартной цены. Включает диаризацию спикеров и возвращает временные метки на уровне слов. 60 языков с автоматической идентификацией языка.
• MAI-Transcribe-2-Streaming — реальное время, непрерывная транскрипция в стиле WebSocket, выпущена 1 октября 2026 года. Microsoft сообщает о 2,5% WER для финальной транскрипции через 0,13 секунды после окончания речи и те же 2,5% для первой частичной транскрипции через 0,12 секунды, что она описывает как лучший показатель точности для обоих случаев — заявление поставщика, измеренное по методологии потоковой передачи Artificial Analysis, хотя на момент составления черновика собственная доска отслеживания (37 моделей) еще не внесла эту модель, а ее текущим лидером является Grok Voice Transcribe 2.0 с 2,73% и 0,49 секунды. $0,54 за аудиочас, около $9,00 за 1000 минут, вводная цена до конца года. 60 языков с автоматическим непрерывным определением языка. Нет заявлений о поддержке диаризации или временных меток слов.
Единственная асимметрия, которая не касается скорости или цены, — это функциональность: диаризация и временные метки слов в пакетной модели являются документированными функциями, а в потоковой — нет. Это важнее, чем разрыв в точности в 0,5 пункта, и именно поэтому многие команды в конечном итоге будут использовать обе.
Что на самом деле дают 5,4×
При цене $1,67 за 1000 минут пакетная транскрипция на этом уровне точности на пределе практически бесплатна. При цене $9,00 за 1000 минут потоковая передача становится реальной статьей расходов — примерно стоимость транскрибирования того же аудио пять раз подряд, плюс полпункта точности. Поэтому вопрос не в том, стоит ли работа в реальном времени большего; вопрос в том, какие именно минуты в ней нуждаются.
Рабочие нагрузки, где это явно необходимо: живые субтитры, которые человек читает, пока говорит спикер, где 0,13 секунды против времени до конца файла — это весь продукт; помощь агенту в реальном времени и оценка соответствия, где вмешательство, поступившее после окончания звонка, бесполезно; и интерактивные голосовые приложения, где ход диалога не может завершиться, пока не будет готова транскрипция. Во всех трех случаях пакетная модель — это не более дешевый вариант, это вообще не вариант: не существует цены, при которой постфактумная транскрипция становится транскрипцией в реальном времени.
Рабочие нагрузки, где это явно не нужно: запись встреч и звонков, обрабатываемая постфактум, медиаархивы, пакетный контроль качества в контакт-центрах, проверка соответствия завершенных звонков, создание субтитров для подкастов и видео. Это именно те конвейеры, для победы в которых были созданы 411-кратная скорость реального времени и тариф $1,67 пакетной модели, и платить в 5,4 раза больше, чтобы сэкономить несколько сотен миллисекунд на транскрипции, которую никто не читает до завтрашнего дня, — это прямое расточительство. Добавьте функции диаризации и временных меток слов — у пакетной модели они задокументированы, у потоковой нет — и аргументы в пользу постфактумной обработки становятся только сильнее, а не слабее.
Интересная середина — это то, где обе модели по-настоящему дополняют друг друга: используйте потоковую передачу для живого интерфейса и пакетную для записи. Звонок в службу поддержки, транскрибируемый в реальном времени для панели помощи агенту, а затем повторно транскрибируемый в пакетном режиме за ночь для создания архивной транскрипции с диаризацией и временными метками, стоит лишь немного дороже, чем только пакетная обработка, и дает оба преимущества. Эта модель стала возможной только в сентябре, а октябрьский релиз — это то, что ее завершает.
Где проявляется структура из двух подразделений
Две вещи в этом семействе стоит заметить, потому что они структурные, а не случайные.
Во-первых, иерархия точности инвертирована по сравнению с обычным шаблоном. Потоковые модели обычно платят существенный «налог на точность» за вывод в реальном времени; здесь налог составляет 0,5 пункта, от 2,0% на пакетной доске до заявленных 2,5% на потоковой. Microsoft получила модель реального времени с точностью в пределах полупункта от своего пакетного флагмана по собственным цифрам, что является настоящим инженерным достижением октябрьского релиза, если это подтвердится — а не размещение в топе доски, которое хороший повторный запуск может изменить и которое трекер еще не подтвердил.
Во-вторых, ценообразование также инвертировано по сравнению с обычным шаблоном. Поставщики обычно предоставляют скидки на уровень с более высоким объемом; Microsoft оценила потоковую передачу в 5,4 раза дороже пакетной и оставила обе на вводных тарифах, истекающих одновременно. Это выглядит не как преднамеренная наценка за потоковую передачу, а скорее как два отдельных запуска, каждый из которых имеет скидку на запуск, без опубликованного стандартного тарифа для обоих. Команды, планирующие бюджет на 2027 год, должны рассматривать обе цифры как предварительные — и $1,67, и $9,00 помечены как ограниченные по времени, и ни для одной из них не объявлена последующая цена.
Что еще не доказано
Открытые вопросы по пакетной модели с сентября остаются открытыми: нет опубликованной частоты ошибок диаризации, нет разбивки по языкам для заявления о 60 языках и рекламная цена без указания последующей. Потоковая модель добавляет еще один вопрос, специфичный для работы в реальном времени — потоковая WER измеряется на чистом аудио, а качество частичной транскрипции в шумном потоке дальнего поля — это режим отказа, который наиболее важен при развертывании и наименее освещен в материалах запуска. Она также наследует тесноту потоковой доски: первые три места на доске трекера из 37 моделей находятся в пределах доли процента, поэтому «первое место» — это состояние, которое может изменить повторный запуск, а «первое место» Microsoft — это скорее заявление, чем строка в таблице.
Однако стоит обратить внимание на вопрос уровня семейства. Microsoft теперь продает одну и ту же функциональность по двум ценам, различающимся в пять раз, причем в дорогом тарифе отсутствуют две функции, которые есть в документации дешевого тарифа. Если диаризация и временные метки слов появятся в потоковом SKU, разрыв сократится до простого выбора между задержкой и ценой, что гораздо проще. Если же нет, то структура из двух подразделений станет постоянной, и архитектуры следует строить с учетом этого.
Что это означает для стека транскрибации
Практический вывод заключается в том, что в сентябре транскрибация перестала быть единой статьей расходов, а в октябре превратилась в задачу маршрутизации. Конвейер, который раньше стандартизировался на одном API, теперь требует потоковой передачи для «живого» интерфейса, пакетной обработки для записей и правила выбора пути для аудио — и это правило само по себе является задачей маршрутизации, что представляет собой удивительный уровень сложности для одного цикла выпуска обновлений от поставщика.
Больше всего это затрагивает то, что находится над транскриптом. Какой бы уровень ни создавал текст, этот текст затем суммируется, классифицируется, редактируется и маршрутизируется, а эти этапы выполняются на языковых моделях с собственными профилями задержки и стоимости — для «живого» транскрипта нужна быстрая и дешевая модель, для архивного можно позволить себе более мощную. OrcaRouter охватывает именно этот уровень: один API для более чем 200 моделей, цены поставщиков без наценки, автоматическое переключение при сбоях и DSL маршрутизации, который выбирает модель для каждой рабочей нагрузки, а не для всего конвейера. Ни MAI-Transcribe-2-Streaming, ни MAI-Transcribe-2 не входят в этот список — оба обслуживаются через собственный стек распознавания речи Microsoft, — но разделение уровня транскрибации на две части является самым веским аргументом в пользу того, чтобы сделать все последующие компоненты переносимыми.
Честное резюме: потоковая передача — это не улучшенная версия MAI-Transcribe-2, это второй продукт по второй цене. Покупайте его для тех минут, которые действительно должны быть в режиме реального времени, оставляйте остальное на дешевом тарифе и закладывайте в бюджет изменение обоих тарифов по окончании ознакомительного периода.
