Microsoft выпустила нейросеть для распознавания речи: первое место среди 38 моделей при WER 2,5%

Компания опубликовала результаты вместе с двумя моделями синтеза речи. Источник бенчмарка, независимая платформа Artificial Analysis, протестировала 38 потоковых моделей на восьми часах аудио и поставила MAI Transcribe 2 Streaming на первое место и по финальной расшифровке, и по первым промежуточным результатам. Для тех, кто строит голосовых помощников или автоматические субтитры, разница между «хорошо» и «лучше всех» напрямую влияет на то, поймёт ли бот пользователя с первого раза.

Что умеет новая модель?

• 60 языков с автоматическим определением. Модель сама понимает, на каком языке говорит человек, и переключается на лету. Русский язык в списке поддерживаемых.
• Первые слова через 100 мс. Текст начинает появляться, пока человек ещё договаривает фразу. По внутренним тестам Microsoft, это вдвое быстрее ближайшего конкурента.
• Промежуточные результаты такие же точные, как финальные. WER (Word Error Rate, доля ошибочно распознанных слов) составляет 2,5% и для черновых «набросков», и для окончательного текста. Это значит, что ИИ-агент (программа, которая сама выполняет задачи по голосовой команде) может начинать действовать, не дожидаясь конца фразы.
• Модель пересматривает себя. Сначала выдаёт гипотезу, затем уточняет по мере поступления контекста и фиксирует стабильный результат.

Как соотносится с конкурентами?

По данным Artificial Analysis (замер от 2 октября 2026), ближайшие соперники заметно отстают.

• Grok Voice Transcribe 2.0 (xAI): WER 2,7%, задержка до финала 0,49 секунды.
• Muse Voice Transcribe: WER 3,1%, задержка 0,16 секунды.
• Cartesia Ink-2: самая быстрая по задержке (0,07 секунды), но WER 4,0%, то есть ошибок почти вдвое больше.

Microsoft оказалась точнее всех и при этом достаточно быстрой: 0,13 секунды до финального результата.

Цена: дороже конкурентов, но есть нюанс

Потоковый режим стоит 0,54 доллара за час аудио. Artificial Analysis пересчитывает это в 9 долларов за тысячу минут. Для сравнения: пакетная версия MAI Transcribe 2 (когда вы загружаете готовый файл, а не транслируете речь вживую) стоит 0,10 доллара за час.

По данным Artificial Analysis, Microsoft берёт за потоковое распознавание больше, чем xAI и Meta, и примерно столько же, сколько Google. Вводная цена действует до конца 2026 года, дальше компания условий не озвучила.

Как попробовать?

1. Через MAI Playground. Откройте площадку Microsoft AI и выберите модель MAI Transcribe 2 Streaming. Микрофон в браузере позволит проверить распознавание без кода.
2. Через Realtime API. Если ваше приложение уже работает с WebSocket-протоколом, совместимым с OpenAI Realtime, подключение займёт минимум изменений.
3. Через Azure Speech SDK. Этот путь берёт на себя управление соединением, повторные попытки и потоковую передачу аудио. SDK возвращает и промежуточные, и финальные результаты.
4. Через Vercel и Azure Voice Live. Интеграция с LiveKit заявлена, но пока не запущена.

Есть ли аналог в России?

Для аудитории в РФ и СНГ прямого конкурента с таким же охватом языков и потоковым режимом на рынке нет, но есть рабочие альтернативы.

Российские сервисы распознавания речи, SaluteSpeech от Сбера и Yandex SpeechKit, работают без ограничений на территории РФ и стоят дешевле. Но по независимым публичным бенчмаркам ни один из них пока не участвовал в сравнении Artificial Analysis на тех же наборах данных, поэтому сопоставлять WER напрямую некорректно.

Что это значит для вас?

Авторам Дзена и копирайтерам. Если вы надиктовываете тексты или записываете интервью, потоковая модель с WER 2,5% означает примерно одну ошибку на 40 слов. Для черновика это уже рабочий уровень. Пока доступ через Azure, имеет смысл протестировать через MAI Playground бесплатно.

Разработчикам голосовых решений в РФ. Модель поддерживает русский с автоматическим определением. Но 0,54 доллара за час при масштабе в тысячи пользователей заметно дороже китайских и российских аналогов. Считайте стоимость на пользователя до выбора.

Предпринимателям. Если строите продукт с голосовым интерфейсом для международного рынка, 60 языков из коробки экономят месяцы интеграции. Для внутреннего рынка РФ дешевле начать с SaluteSpeech или SpeechKit и переключиться, когда Microsoft уточнит постоянную цену.

Частые вопросы

Поддерживает ли MAI Transcribe 2 Streaming русский язык?

Да. Модель работает с 60 языками и определяет язык автоматически, переключаясь на лету. Русский входит в список поддерживаемых. Отдельно указывать язык перед стартом не нужно.

Можно ли пользоваться бесплатно?

Модель платная: 0,54 доллара за час аудио. Однако MAI Playground позволяет попробовать распознавание без написания кода. Условия бесплатного лимита в Playground Microsoft не уточнила.

Чем потоковая версия отличается от пакетной?

Пакетная MAI Transcribe 2 (вышла в сентябре 2026) принимает готовый аудиофайл и возвращает текст после полной обработки. Потоковая версия работает вживую: звук идёт непрерывно, текст возвращается, пока человек ещё говорит. Пакетная стоит 0,10 доллара за час, потоковая 0,54 доллара, разница в пять с лишним раз отражает стоимость работы в реальном времени.