Рекордная скорость и точность
1 октября 2026 года Microsoft AI представила MAI-Transcribe-2-Streaming — первую потоковую модель распознавания речи (STT) от компании. Согласно данным Artificial Analysis, она заняла 1-е место из 38 моделей по индексу AA-WER Streaming. Ключевая метрика: финальная транскрипция достигается с ошибкой 2.5% WER всего через 0.13 секунды после окончания речи. Примечательно, что первые частичные гипотезы (partials) появляются уже через 100 мс и имеют ту же точность 2.5% WER, что позволяет агентам ИИ начинать обработку текста еще до того, как пользователь закончит фразу.
Сравнение с конкурентами
Модель превосходит ближайших соперников по балансу точности и задержки. Хотя Cartesia Ink-2 возвращает результат быстрее (0.07с), его точность значительно ниже (4.0% WER). Ниже приведена сравнительная таблица с ключевыми конкурентами:
| Характеристика | MAI-Transcribe-2-Streaming | Grok Voice Transcribe 2.0 | Muse Voice Transcribe | Gemini 3.5 Transcribe Live |
|---|---|---|---|---|
| Разработчик | Microsoft AI | xAI | Meta Superintelligence Labs | |
| Дата выхода | 1 окт. 2026 | 18 сен. 2026 | 1 сен. 2026 | 26 авг. 2026 |
| AA-WER Streaming (final) | 2.5% | 2.7% | 3.1% | 4.0% |
| Время до финала | 0.13s | 0.49s | 0.16s | Не сообщено |
| Цена / час (вводная) | $0.54 | $0.20 | $0.18 | ~$0.54 |
| Языки | 60 (авто-детект) | Десятки | 70+ (25 верифицированы) | 85+ |
Интеграция и экосистема
Разработчики могут интегрировать модель двумя путями: через Realtime API (совместимо с WebSocket OpenAI) или через Azure Speech SDK, который берет на себя управление соединениями и ретраями. Модель доступна в MAI Playground, через Vercel и Azure Voice Live. Поддержка LiveKit находится в разработке.
Microsoft позиционирует MAI-Transcribe-2-Streaming как часть полного голосового цикла. В паре с моделью синтеза речи MAI-Voice-2.1-Flash (150 мс задержки, $15 за 1 млн символов) она позволяет создавать голосовых агентов с минимальным лагом. Полноценная версия MAI-Voice-2.1 поддерживает 23 языка и стоит $22 за 1 млн символов.
Стоимость и доступность
Вводная цена на потоковую транскрипцию составляет $0.54 за час аудио (нормализовано до $9.00 за 1000 минут), что действует до конца 2026 года. Это дороже решений от xAI ($0.20/ч) и Meta ($0.18/ч), но сопоставимо с оценочной стоимостью Google. Пакетная версия MAI-Transcribe-2 стоит значительно дешевле — $0.10 за час. На данный момент модель доступна в публичной превью-версии без SLA и без открытых весов.
Источник: MarkTechPost ↗