Vad Microsoft släppte, och var det hamnade
Microsoft släppte MAI-Transcribe-2 den 3 september 2026, och modellen toppar nu FLEURS, standardbenchmarken för flerspråkig taligenkänning över 60 språk, med en genomsnittlig ordfelfrekvens på 5,2 procent. På Artificial Analysis separata topplista kom den på andra plats.
Modellen lägger till talaridentifiering, ordexakta tidsstämplar, styrning mot nyckelord, konfigurerbara ordagranna eller uppstädade transkriberingsstilar, språkbyte mitt i en mening och automatisk språkidentifiering. Den finns tillgänglig via Microsoft Foundry, MAI Playground och Open Router.
Siffran som spelar roll är priset, inte poängen
Microsoft tar 0,10 dollar per behandlad ljudtimme, ett tidsbegränsat erbjudande som gäller fram till slutet av 2026. Ett uttalande från Microsoft kallade den inte bara företagets hittills mest kapabla transkriberingsmodell, utan den mest kapabla och effektiva bland konkurrenterna.
En placering i en benchmark kan vilket labb som helst ifrågasätta med egna siffror nästa kvartal. Ett så lågt pris, från ett företag med Microsofts distribution, är svårare att dra tillbaka när kunderna väl har byggt sina arbetsflöden runt det.
Hastighetsjämförelsen, i Microsofts egna siffror
Microsofts publicerade hastighetspåståenden, jämfört med de tre transkriberingsmodeller företaget direkt nämner, ser ut så här:
| Modell | Leverantör | Hastighet jämfört med MAI-Transcribe-2 |
|---|---|---|
| MAI-Transcribe-2 | Microsoft | Referens |
| GPT-Transcribe | OpenAI | 10 gånger långsammare |
| Scribe v2 | ElevenLabs | 7 gånger långsammare |
| Gemini 3.5 Transcribe | 5 gånger långsammare |
Detta är Microsofts egna jämförelser, inte ett oberoende tredjepartstest, så ett företag som överväger ett byte bör ändå köra eget ljudmaterial genom varje alternativ innan det bestämmer sig.
Varför detta är en marginalfråga, inte bara en modellfråga
Många europeiska verktyg säljer tal-till-text som en buntad funktion inuti en produkt för samtalsinspelning, mötesanteckningar eller kundtjänst, till ett pris långt över vad ren modellåtkomst numera kostar. Den skillnaden brukade vara priset för hyfsad noggrannhet; alltmer är den bara leverantörens marginal.
Ett företag som betalar en månatlig transkriberingsavgift per användare har nu en enkel uträkning att göra: multiplicera de faktiska månatliga ljudtimmarna med 0,10 dollar och jämför det med vad som faktureras. En stor skillnad är värd ett samtal med leverantören, inte ett antagande om att avgiften fortfarande speglar den underliggande kostnaden.
Haken: ett kampanjpris, inget golv
Microsofts eget tillkännagivande beskriver 0,10 dollar per ljudtimme som tillgängligt fram till slutet av 2026, inte som ett permanent listpris. Priskrig inom AI-infrastruktur har vänt lika snabbt förut, och leverantörer som sänkte priserna för att vinna marknadsandel har höjt dem igen när andelen väl var vunnen.
Alla avtal eller interna budgetar som byggs detta kvartal på detta pris bör räkna med att det kanske inte håller nästa år, och bör innehålla en omprissättnings- eller uppsägningsklausul i stället för att behandla kampanjtaxan som grunden för en flerårsplan.
Läs vidare: Microsoft satsar 2,5 miljarder: verktyg räcker inte | Microsoft Sätter Nu Tak För Egna Ingenjörers AI-Utgifter
