语音转写这个赛道，价格战打了三年，终于有人把单价砍到比一杯蜜雪冰城还便宜——每小时音频只要0.36美元。更扎眼的是，这个叫MAI-Transcribe-1的新模型，在FLEURS多语言基准测试上把Whisper、Gemini、GPT-Transcribe全超了。
Whisper守了三年的王座，被微软掀了
OpenAI的Whisper-large-V3一直是开源界的标杆，Scribe v2、Gemini 3.1 Flash-Lite这些后来者也没能把误差率压得更低。微软这次没走"差不多就行"的路线，直接拿FLEURS的25语言测试结果说话——词错误率（WER）做到当前最低。
这个测试集的特点是"故意刁难"：带口音的、背景嘈杂的、多人同时说话的音频全往里塞。微软说他们的模型专门啃了这些硬骨头，不是只在干净会议室录音里表现好看。
速度方面，比自家上一代Azure Fast快了2.5倍。翻译成人话：以前转一小时录音要等一小时，现在24分钟搞定。
0.36美元背后，微软在赌什么
按这个价格算，转写一部90分钟的电影成本不到0.6美元。Cohere和Mistral前脚刚放出同类开源模型，微软后脚就用商业定价贴脸开大——开源免费，但我比你快还比你便宜。
这套路很熟悉：先靠性价比把开发者圈进Foundry和AI Playground的预览版，再往Copilot Voice和Teams里塞。语音转写从来不是终点，微软明牌要打的是MAI-Transcribe-1 + MAI-Voice-1 + 大语言模型这套组合拳，目标直指语音客服、实时会议助手这些付费场景。
一个细节：模型支持的语言数量卡在25种，不是越多越好。微软选的是覆盖Teams企业用户最集中的市场，没为了数字好看硬凑小语种。
开发者现在能摸到什么
公开预览已经开了，入口两个：Microsoft Foundry走企业级API路线，AI Playground给个人开发者试水。Teams和Copilot Voice的集成是分批推，不是全球同步。
有个坑得提：FLEURS测试成绩漂亮，不代表你的方言录音也能同样准。基准测试和真实场景总有缝隙，微软自己也没说背景噪音的容忍阈值具体是多少分贝。
Cohere和Mistral的开源方案还在那儿摆着，选商业API还是自托管，现在多了个需要重新算笔账的变量。
语音转写的单价已经被压到3毛6，下一个被拉下水的会是实时翻译，还是语音合成？
热门跟贴