转录一小时音频只要10美分：陷阱在哪儿？

微软周三发布了一个新的转写模型，MAI-Transcribe-2。你给它一段录音，它还你文字。

标出的价格：每小时音频10美分。

花一秒钟想象一下这意味着什么。你今年录下却从没再听过的八十小时会议：8美元。你妈从三个圣诞节前就一直找你要的外婆的磁带：一杯咖啡的价格。一整季播客：还不到一个三明治。

一边是一枚十美分硬币。另一边是它现在能支付的一切。

首先，这10美分取代了什么

同一模型的上一代发布时的价格是每小时36美分。所以一代之间价格降到了不到三分之一，这种幅度即使在这个什么都在暴跌的行业里，也很显眼。

但真正的比较不是这个。真正的比较，是找人把录音打出来要花多少钱：每小时要算上几十欧元，还要等几天。我们从“这是笔预算，得想想”变成了“我启动它，然后去买面包”。

这才是一切改变的地方，比技术本身更重要。一项开支低于让人停下来考虑的门槛后，它就不再是一项开支，而是一种习惯。没人会在开灯前思考。

这个领域人人都会引用的数字，叫词错误率。我们让模型读取一段准确转写已知的录音，进行比较，然后数出错过、添加或臆造的词。越低越好。

MAI-Transcribe-2在六十种语言上的平均值为5.2%，测试采用名为FLEURS的基准测试，它拿到了第一名。

具体来说，5.2%就是每二十个词里有一个是错的。一句二十个词的话里，有一个不对劲。这已经很不错了，但离完美还差得远：你不能不重新读一遍就直接发布。反过来，要在三小时的录音里找出某一段，或者大致了解一场会议说了什么，这就完全够用了。

出于诚实，补充一个微软没有重点宣传的细节：在Artificial Analysis的独立排名中，这个排名从另一边测量同一件事，这个模型排第二，不是第一。在自己家里第一，在裁判那里第二。这仍然是非常好的名次。

微软宣称，它的速度最高是OpenAI转写模型的十倍，是ElevenLabs模型的七倍，也是Google模型的五倍。

同样一小时的录音，四条队伍。猜猜微软把哪一条放到了海报上。

一个两分钟的文件，说真的，你才不在乎。三个小时的会议录音，或者一个文件夹里从2019年起就躺着的四十个视频，就不是同一回事了。原本要花一晚上的事，现在只需要等一杯咖啡流完。

价格和速度，这些是上头条的东西。但这一版新增的两个功能，在实际使用中更重要。

第一个是说话人分离：模型不会只给你一整块文字，它会告诉你谁在说话。六个人的会议会变成一段可读的对话，而不是一锅糊涂账，让人再也不知道谁答应了什么。如果你已经读过视频会议自动生成的会议纪要，你就完全知道我在说什么。

之前：六个人同时说话的一大块文字。之后：终于知道是谁答应负责这件事了。

第二个是逐词时间戳。模型不只是告诉你说了什么，它还会告诉你每个词是在第几毫秒说出的。这听起来像是技术人员才会在意的细节，但它恰恰决定了字幕是和嘴型完美贴合，还是落后整整一秒，让视频看起来很难受。对任何捣鼓视频字幕的人来说，这才是关键功能。

你还可以提前给它一份它必须识别的词语列表，这能保住专有名词、品牌名和某个行业的词汇，而且当有人在一句话说到一半时换了语言，它也能应付，在比利时，这可不算什么书本上的案例。

是有一个，而且公告里白纸黑字写着，只要你在页面上往下翻得够多。

10美分是促销价，有效期截至2026年12月31日。之后会变成什么，Microsoft 没说。所以如果你要在这个基础上构建什么东西，请记住，你据此计算预算的价格，四个月后就会过期。

促销标签的套路：价格写得很大，结束日期写得很小。

这也算公平，提醒你一下。大家都这么干，而且这次至少把日期说清楚了，不是某个星期二早上突然出现在邮件里。

有些事情我多年来一直往后拖，唯一的原因就是用时间或金钱来做它们太贵了。比如整理并找回一次会议里说过的内容。或者那些从来没人重新打开过的家庭旧录音。

每小时10美分，这个借口就没了。而这正是我一个月前对 OpenAI 发布的两个转录模型所抱怨的地方：它们确实不错，但还没好到值得我们把整套管线全部重做的程度。现在，问题已经不再是同一个问法了。不再是“迁移值不值得”，而是“我为什么不把所有东西都一直系统地转录下来”。

顺便说一下，我做了一个免费的软件，推荐你用它把音频文件或电影转成 SubRip 字幕：它就是 AiSrt，这是一个使用 Whisper 模型的命令行工具，转录你的文件一分钱都不用。

所以，好吧，谢谢你，Microsoft，但我会继续在本地使用 Whisper，它免费，而且工作做得非常好。至于6个人的会议，还得看看这能不能引起我老板在和他的手下开会时的兴趣。

0 0 评论

05-09-2026