MAI-Transcribe-1
Модель распознавания речи Microsoft. 25 языков включая русский. В 2.5 раза быстрее Azure Fast. Лучший WER на FLEURS, обгоняя Whisper, GPT-Transcribe и Gemini Flash-Lite. Аудиофайлы до 200 МБ.
Тарифы
- 25 языков
- Пакетная обработка
- Foundry API
Плюсы и минусы
Плюсы
- Лучшая точность WER на FLEURS
- В 2.5 раза быстрее Azure Fast
- 25 языков включая русский
- Интеграция в Microsoft Foundry
Минусы
- Только speech-to-text
- Доступен только через Azure/Foundry
- MAI Playground только из США
- Закрытый код
Подробный обзор
Что такое MAI-Transcribe-1
MAI-Transcribe-1 — модель распознавания речи от Microsoft, выпущенная 2 апреля 2026 года. Лучший результат по метрике WER (Word Error Rate) на бенчмарке FLEURS среди всех моделей, включая Whisper, GPT-Transcribe и Gemini Flash-Lite.
Ключевые возможности
WER 3.8-3.9% на FLEURS — лучший результат. 25 языков включая русский. Пакетная транскрибация в 2.5 раза быстрее предыдущего решения Azure Fast. Максимальный размер аудиофайла 200 МБ. $0.36 за час аудио ($6 за 1000 минут).
Сравнение с конкурентами
Whisper large-v3 показывает WER 7.6% — в 2 раза хуже MAI-Transcribe-1. GPT-Transcribe от OpenAI точнее Whisper, но уступает MAI-Transcribe-1. Цена $0.36/час конкурентоспособна с Google Speech-to-Text ($0.36-0.48/час).
Как начать
Доступна через Microsoft Foundry (ai.azure.com). MAI Playground для тестирования (только из США). Интеграция через Azure Speech SDK. Поддержка REST API для пакетной обработки.
Вопросы и ответы
Какие языки?+
Лучше Whisper?+
Макс размер файла?+
Бесплатно?+
Похожие модели
Claude Sonnet 4.6
Anthropic
Оптимальная модель Anthropic по соотношению цены и качества из семейства Claude 4.6. Приближается к Opus по интеллекту при значительно меньшей стоимости. Отлично справляется с кодингом, анализом документов, агентными задачами и computer use. Контекст 1M токенов, до 64K токенов на выходе. Идеальна для повседневных рабочих задач, где нужен баланс между скоростью, качеством и ценой.
GPT-5.4
OpenAI
Флагманская модель OpenAI с контекстным окном в 1 млн токенов. Лидирует в рейтингах по комплексным задачам: рассуждения, анализ, генерация кода и работа с длинными документами. Доступна в версиях Standard, Thinking и Pro. Поддерживает текст, изображения и код. На 33% меньше галлюцинаций по сравнению с GPT-5.2
Muse Spark
Meta
Первая закрытая модель Meta от Superintelligence Labs. Мультимодальная модель рассуждений: текст, изображения, речь. Уникальный Contemplating Mode — мульти-агентная параллельная система. Три режима: Instant, Thinking, Contemplating. Бесплатно через meta.ai.
GPT-4o
OpenAI
GPT-4o — мультимодальная флагманская модель OpenAI с нативной обработкой текста, изображений и аудио. Выпущена в мае 2024 года, стала стандартом качества для сложных задач.
Llama 3.1 405B
Meta
Крупнейшая открытая языковая модель от Meta с 405 миллиардами параметров. Сопоставима с GPT-4 по возможностям при полной открытости весов.