Microsoft slipper MAI-Transcribe-2: 10 cent – Azure er preview

Microsoft AI lanserte 3. september MAI-Transcribe-2. Det er tredje transkripsjonsmodell fra laben på fem måneder. Påstanden er «fastest, most accurate and cheapest». Uavhengig måling fra Artificial Analysis støtter hastighet og pris. Den støtter ikke «most accurate»: Fun-Realtime-ASR-preview leder AA-WER med 1,7 prosent. MAI-Transcribe-2 ligger på 2,0.

For CIO og CISO er tre fakta mer verdifulle enn Mustafa Suleymans «Fastest. Cheapest. Best.» Prisen 0,10 dollar per time er en tidsbegrenset kampanje ut 2026. Azure Speech-dokumentasjonen merker tjenesten som public preview uten SLA, og anbefaler den ikke i produksjon. Norsk bokmål er på språklisten.

Hva som faktisk er lansert

Modell-ID er MAI-Transcribe-2. Den er tilgjengelig i Microsoft Foundry, MAI Playground og OpenRouter. I Azure Speech kalles den via Fast Transcription API med enhancedMode.enabled=true og enhancedMode.model=MAI-Transcribe-2. Støttede filer: WAV, MP3 og FLAC under 300 MB.

Språkdekningen er 60, opp fra 43 i MAI-Transcribe-1.5 i juni og 25 i april. Norsk bokmål (nb) er med. Nye språk mot 1.5 inkluderer blant annet afrikaans, aserbajdsjansk, bosnisk, persisk, filippinsk, galisisk, hebraisk, islandsk, kasakhisk, latvisk, makedonsk, malayisk, nepali, swahili, urdu og kantonesisk.

Funksjoner som tidligere krevde tilleggsprodukter, ligger i basismodellen:

• Talerdiarisering, av som standard
• Ordtidsstempler (word, segment eller none)
• Nøkkelordsbias via phraseList.phrases
• Stil: verbatim (standard) eller clean
• Automatisk språkdeteksjon, med mulighet for å tvinge ett språk
• Kodeveksling, inkludert hinglish og spanglish
• Støyrobusthet som innebygd egenskap, ikke et flagg

MAI-Transcribe-1 ble deprecated 20. august 2026. 1.5 lever videre.

Tallene Microsoft og Artificial Analysis oppgir

Microsofts egne FLEURS-tall: førsteplass over 60 språk med 5,2 prosent gjennomsnittlig WER. På topp 25 språk er WER 3,4 prosent, mot 3,7 for 1.5. FLEURS er opplest tale, ikke møter. Gjennomsnittet over 60 språk er høyere enn 1.5s 3,7 over 43, fordi lavressursspråk trekkes inn. Be om per-språk-tabell før dere kjøper «norsk er støttet» som produksjonskvalitet.

Artificial Analysis, som treffer API-et dere faktisk kaller, måler AA-WER v2 på 2,0 prosent. Indeksen vekter AA-AgentTalk 50 prosent, VoxPopuli-Cleaned-AA 25 og Earnings22-Cleaned-AA 25. MAI-Transcribe-2 er nummer to, bak Alibabas Fun-Realtime-ASR-preview på 1,7. Scribe v2 ligger på 2,2. Gemini 3.5 Transcribe på 2,6. GPT-Transcribe på 3,3.

Hastighet: median speed factor 410,7. Det er 10 ganger GPT-Transcribe (40,0), om lag 7,6 ganger Scribe v2 (53,8) og 4,6 ganger Gemini 3.5 Transcribe (89,7). Microsoft runder det til 10×, 7× og 5×. Microsofts modelside sier én time lyd ferdig på 10 sekunder, mot 20 sekunder for 1.5.

Pris: 1,67 dollar per 1000 minutter, altså 0,10 dollar per time. Kampanje ut 2026. 1.5 står hos Artificial Analysis på 6,00 dollar per 1000 minutter. GPT-Transcribe 4,50. Gemini 3.5 Transcribe 5,00. Scribe v2 3,67. Modulate er billigere (0,42) men med 4,2 prosent WER.

Preview-stempelet er innkjøpsklausulen

Microsoft AI-bloggen sier «try today» via Foundry, Playground og OpenRouter. Azure Learn-siden, oppdatert 3. september, sier public preview uten tjenestenivåavtale, og «not recommended for production workloads». Det skillet er lederbeslutningen.

Foundry og OpenRouter er der dere kan teste mot egne opptak i dag. Azure Speech er der de fleste norske virksomheter vil ha databehandleravtale, region og nøkkelstyring. Preview uten SLA hører hjemme i test, ikke i kundesenter, helsejournal eller styreopptak.

Voice Live API kan bruke MAI-Transcribe som input-transkripsjon. Det er en annen flate enn batch-fil. Kartlegg hvilken vei lyden tar før dere bytter leverandør.

Hva dette betyr for ledere

Dette er Microsoft som bygger egen STT for å slutte å betale OpenAI og ElevenLabs for møter, Teams og Nuance. Tre slipp på fem måneder er en produktlinje, ikke et eksperiment. Substitusjonen treffer Teams-volum, klinisk dokumentasjon og Azure Speech-kunder først.

Kjør A/B mot Gemini 3.5 Transcribe og dagens leverandør på deres lyd: norsk møte, kundesenter med støy, og blandet bokmål/engelsk. Mål WER, diariseringstreff og kostnad per time, ikke leverandørslides. 0,10 dollar er kampanje. Sett 0,36 eller 1.5-prisen inn i 2027-prognosen til Microsoft bekrefter varig pris.

Azure-preview betyr at produksjonsflytt må vente på GA, eller gå via Foundry med egen risikovurdering. CISO eier region, lagring, DPA og om verbatim er påkrevd for compliance. clean fjerner fyllord. Det er lesbart. Det er ikke bevis.

Norsk bokmål på listen er nødvendig, ikke tilstrekkelig. Be om nb-WER på deres aksent og fagspråk. Keyword biasing er der dere putter produktnavn, legemidler og saksnumre.

Kilder og medier

Primærkilde: Microsoft AI, «MAI-Transcribe-2 is the fastest, most accurate and cheapest speech recognition model in the world», https://microsoft.ai/news/mai-transcribe-2-is-the-fastest-most-accurate-and-cheapest-speech-recognition-model-in-the-world/

Microsoft AI, modelside for MAI-Transcribe-2, https://microsoft.ai/models/mai-transcribe-2/

Microsoft Learn, «MAI-Transcribe in Azure Speech (preview)», https://learn.microsoft.com/en-us/azure/ai-services/speech-service/mai-transcribe

Artificial Analysis, Speech to Text non-streaming leaderboard, https://artificialanalysis.ai/speech-to-text/non-streaming

Thumbnail: OpenAI Image 2 / hogby.ai