1 октября 2026 г.
Речь в потоке распознаётся точнее: MAI-Transcribe-2-Streaming возглавила рейтинг AA-WER
Microsoft заняла первое место по точности потокового распознавания речи, но назначила цену $0,54 за час аудио.
Artificial Analysis
@artificialanlys
Microsoft AI выпустила MAI-Transcribe-2-Streaming: модель заняла первое место по точности итоговой и первой промежуточной расшифровки в AA-WER Streaming, с WER 2,5% и задержкой 0,13 с после окончания речи. MAI-Transcribe-2-Streaming — новая модель потокового распознавания речи от @MicrosoftAI. Она дополняет MAI-Transcribe-2, которая работает без потокового режима. Модель лидирует по WER итоговой расшифровки в потоковом режиме с результатом 2,5%, опережая прежнего лидера, Grok Voice Transcribe 2.0 от SpaceXAI с 2,7%. Итоговый текст она возвращает за 0,13 с вместо 0,49 с. Потоковое распознавание доступно за $0,54 за час аудио: среди ведущих потоковых моделей это одна из высоких цен. Главное ➤ Итоговая расшифровка: MAI-Transcribe-2-Streaming получила WER 2,5% при задержке 0,13 с после окончания речи и заняла первое место среди 38 моделей. Она точнее и быстрее Grok Voice Transcribe 2.0 с 2,7% и 0,49 с, Muse Voice Transcribe с 3,1% и 0,16 с, а также ElevenLabs Scribe v2 Realtime с 3,6% и 0,14 с. Она также точнее Cartesia Ink Preview через внешние точки подключения, у которой 3,1% и 0,11 с, хотя немного медленнее неё. ➤ Первая промежуточная расшифровка: модель получила WER 2,5% при задержке 0,12 с, опередив Grok Voice Transcribe 2.0 с 3,4% и 0,49 с. Она также опережает Muse Voice Transcribe и ElevenLabs Scribe v2 Realtime по точности: у обеих WER 3,6%. Microsoft немного быстрее обеих: 0,12 с против 0,13 с. Она точнее, но медленнее Cartesia Ink-2 через внешние точки подключения, у которой 4,0% и 0,07 с. ➤ Цена: MAI-Transcribe-2-Streaming стоит $0,54 за час потокового распознавания, или $9,00 за 1000 минут. Это столько же, сколько Gemini 3.5 Transcribe Live с ценой $9, и дороже ElevenLabs Scribe v2 Realtime и Deepgram Flux, которые берут $6,50. Цена более чем вдвое выше, чем у Cartesia Ink-2 за $4, и втрое выше, чем у Muse Voice Transcribe за $3. Распознавание без потокового режима стоит $0,10 за час, или $1,67 за 1000 минут. Поздравляем команду @MicrosoftAI с запуском! Подробнее ниже
· 8,1 тыс. просмотров
MAI-Transcribe-2-Streaming заняла первое место среди 38 моделей по точности итоговой расшифровки в AA-WER Streaming на 01.10.2026.
Модель переводит речь в текст по мере поступления аудио. В тесте Artificial Analysis она лидирует по точности и первого промежуточного текста, и итоговой расшифровки. WER измеряет долю ошибок при распознавании слов: чем ниже показатель, тем точнее текст.
Прежний лидер уступил. Раньше рейтинг итоговых расшифровок возглавляла Grok Voice Transcribe 2.0. Microsoft снизила долю ошибок и сократила ожидание текста после окончания речи.
| Модель | Ошибки в итоговом тексте | Ожидание после окончания речи | | --- | --- | --- | | MAI-Transcribe-2-Streaming | 2,5% | 0,13 с | | Grok Voice Transcribe 2.0 | 2,7% | 0,49 с | | Muse Voice Transcribe | 3,1% | 0,16 с | | ElevenLabs Scribe v2 Realtime | 3,6% | 0,14 с | | Cartesia Ink Preview, внешние точки подключения | 3,1% | 0,11 с |
Для голосового интерфейса важен и промежуточный текст: приложение получает его ещё до окончательной расшифровки. У Microsoft доля ошибок в нём составляет 2,5%, задержка — 0,12 с.
Потоковая версия стоит столько же, сколько Gemini 3.5 Transcribe Live. Цены ниже приведены за одинаковый объём аудио по данным Artificial Analysis на 01.10.2026.
| Модель | Цена за 1000 минут | | --- | --- | | MAI-Transcribe-2-Streaming | $9 | | Gemini 3.5 Transcribe Live | $9 | | ElevenLabs Scribe v2 Realtime | $6,50 | | Deepgram Flux | $6,50 | | Cartesia Ink-2 | $4 | | Muse Voice Transcribe | $3 |
Подключение в Voice Live. В Azure Voice Live уже доступна MAI-Transcribe-2 в превью. По документации Microsoft Learn от 24.09.2026 её включают сообщением `session.update`: полю `session.input_audio_transcription.model` задают значение `"mai-transcribe-2"`.
Voice Live принимает WebSocket-подключение по адресу `wss://<your-ai-foundry-resource-name>.services.ai.azure.com/voice-live/realtime?api-version=2026-04-10`. Для авторизации подходит Microsoft Entra Bearer token или `api-key`.
В Voice Live модель совместима с `gpt-realtime`, `gpt-realtime-mini`, всеми немультимодальными моделями и агентами. Поле `input_audio_transcription.phrase_list` задаёт подсказки для распознавания терминов, например названий вашего продукта.
Первоисточники: Artificial Analysis, 01.10.2026. Microsoft Learn, 24.09.2026.
MAI-Transcribe-2 в Voice Live поддерживает русский и казахский языки, тогда как у MAI-Transcribe-1.5 поддержки казахского нет.
Первоисточник