Microsoft AI 在 9 月 3 日推出語音辨識模型 MAI-Transcribe-2，把每小時音訊的轉寫價格壓至 0.1 美元（約港幣 HK$0.78），較同一產品線 5 個月前的 0.36 美元（約港幣 HK$2.82）低約 72%，並把語者分離、字級時間戳、關鍵詞偏置與語碼轉換等以往需要另行付費的功能全部併入基本收費。
模型支援 60 種語言，在 FLEURS 多語基準錄得 5.2% 的平均字詞錯誤率，在獨立評測機構 Artificial Analysis 的排行榜上位列第 2，批次處理速度較 OpenAI 的 GPT-Transcribe 快 10 倍。這次調價對企業決策者的意義遠超一張報價單，它說明 Microsoft 正把自研模型逐一填入原本依靠 OpenAI 技術支撐的產品線，而語音辨識是這套策略推進得最快的一環。
轉寫由採購議題變成雜項開支
企業採購語音轉寫服務多年來都要在準確度、速度與單價之間反覆權衡，而這次定價把權衡的其中一邊幾乎抹平，一家每年處理 10 萬小時客戶服務錄音的銀行或電訊商，按舊價需要付出 36,000 美元（約港幣 HK$282,240），按新價則降至 10,000 美元（約港幣 HK$78,400）。
這個水平低於市場上大部分同類報價，AssemblyAI 的批次轉寫約為每小時 0.21 美元（約港幣 HK$1.65），Deepgram 的 Nova-3 約為 0.26 美元（約港幣 HK$2.04），Google 雲端服務約為 0.48 美元（約港幣 HK$3.76）。整個人工智能語音轉文字市場今年規模約 38.7 億美元（約港幣 303.4 億元），並以每年約 17% 的速度擴張，Microsoft 選擇在增長最急的時點以價格重新劃線。
基本收費包起語者分離與語碼轉換
功能清單比語言數目更值得企業細看，因為當中幾項一直是專門廠商賴以收取溢價的項目，語者分離讓多人會議錄音由一堵文字牆變成可用的會議紀錄，字級時間戳為每一個字附上精確時間，令搜尋、剪輯與影片對齊成為可能，關鍵詞偏置容許開發者預先輸入藥物名稱、產品編號或員工姓名，避免模型把專業詞彙轉錯。
輸出風格可在逐字模式與精簡模式之間切換，前者保留每一聲停頓與重複，方便合規與法律部門查核，後者刪去語氣詞，適合字幕與筆記。語碼轉換功能處理句子中途轉換語言的對話，Microsoft 點名印度英語與西班牙語英語兩種混用情況，指向客服通話最常出現語言切換的市場，一個統一價格徹底取代以往按功能逐項加價的行業做法。
企業要分清哪項效能指標貼近自己的場景
Microsoft 提出的 3 項成績分別建立在不同的量度基礎之上，技術主管有必要拆開理解，Google 研究人員在 2022 年發表 FLEURS，內容是母語者朗讀的文本，優點是可以在相同內容上比較不同語言的表現，缺點是朗讀語音與真實對話差距明顯。該模型的 5.2% 平均錯誤率高於上一版本公布的 3.7%，合理解釋是覆蓋語言由 43 種擴大至 60 種，把資源稀缺語言一併計入平均值，買家應該向供應商索取逐語言的分項數據。
Artificial Analysis 的評測透過公開 API 進行，混合模擬客服對話、歐洲議會發言與企業業績電話會議，內容偏重英語商業語音，MAI-Transcribe-2 在該處錄得 2.0% 字詞錯誤率，並以約 403 倍實時速度處理音訊，1 小時錄音約 10 秒完成。速度在批次轉寫中的真正意義是產能而非等待時間，以這個速度運行的模型所需 GPU 時數只是慢速模型的零頭，這正是 Microsoft 有條件把價格壓到這個水平的原因。
由 OpenAI 的分銷渠道，走向自建的模型工廠
Microsoft 對 OpenAI 投入超過 130 億美元（約港幣 1,019.2 億元），並在 Azure、Office 與 Copilot 全線託管對方的模型，自研模型過去幾年一直難以解釋其必要性，答案在過去一年變得清晰，行政總裁 Mustafa Suleyman 於 2024 年 3 月率領 Inflection AI 團隊加入，Salesforce 行政總裁 Marc Benioff 當時已判斷這是 Microsoft 建立自家前沿模型的宣示。2025 年 10 月雙方重組合作條款，Microsoft 首次獲得獨立追求通用人工智能的空間，2026 年 4 月再度修訂，結束 Microsoft 對 OpenAI 模型的獨家使用權，並調整雙方的收入抽佣安排，每一次修訂之後 MAI 系列都有新模型推出。
Bloomberg 在 7 月報道 Microsoft 已開始以自研模型回應 Word 與 Excel 部分用戶指令。語音是這套替換策略的理想起點，因為問題邊界清楚、指標客觀，而 Microsoft 手上有 Teams 的會議錄音、Nuance 的醫療文書業務與 Azure 語音服務 3 大現成工作負載，每 1 小時搬進自家模型，就是 1 小時不用再付給別人的成本。
阿里巴巴與專門廠商未出局
Microsoft 在發布內容中點名比較的對手全屬前沿實驗室，包括 OpenAI 的 GPT-Transcribe 與 Whisper V3-Large、Google 的 Gemini 3.5 Transcribe 以及 ElevenLabs 的 Scribe v2，而 Deepgram、AssemblyAI、Speechmatics 與 Rev 這批做了 10 年企業生意的專門廠商完全沒有出現，真正在準確度上壓過 Microsoft 的是阿里巴巴，其即時語音辨識模型的字詞錯誤率低至 1.8%，覆蓋 30 多種語言、7 種主要中文方言與 20 多種地區口音，在處理華語內容的企業眼中屬於難以繞過的選項。
專門廠商剩餘的護城河集中在醫學詞庫、法律格式與行業系統整合等垂直深度，而關鍵詞偏置功能正好瞄準這道防線。價格戰的直接結果是企業在續約談判桌上的位置明顯改善，把現有合約拿去對照這個新的參考價，本身就值得立即執行。
商品化之後的下一步
發布內容在效能數字上相當具體，在採購最關心的條款上卻留下多個缺口，定價方面，0.1 美元（約港幣 HK$0.78）屬於推廣價，適用期至 2026 年底，之後的標準價格並未公布，任何成本模型都應該把兩個價位一併計算。服務等級方面，該模型以公開預覽形式在 Azure 語音服務提供，官方文件表明不建議用於生產環境，亦沒有服務等級協議。功能方面，發布重點放在批次處理與長音訊，對語音代理與即時字幕所需的串流轉錄隻字未提。品質方面，字詞錯誤率完全不量度說話人歸屬，一份轉寫稿可以錯誤率極低而把發言人配錯，語者分離的錯誤率並未公布。數據方面，企業轉寫內容經常涉及病歷與財務披露，文件沒有交代數據存放地區、保留期限，以及上傳音訊會否用於後續訓練。
價格由 0.36 美元（約港幣 HK$2.82）跌到 0.1 美元（約港幣 HK$0.78）只用了 5 個月，這個斜率說明語音轉寫正由差異化產品變成基礎設施，企業的規劃重點應該隨之改變，轉寫本身不再是競爭優勢的來源，真正產生價值的是轉寫之後的流程，包括會議決議追蹤、客服品質分析、醫療文書生成與合規檢索，而這些環節的設計自由度，取決於企業有沒有把轉寫層做成可以隨時更換供應商的模組。
來源：VentureBeat
