降的不只是单价，还有拆开卖的部分
0.36 降到 0.10 是明面上的 72%，但更实际的变化是原来常要另算的功能这次都在基础价里：说话人分离、词级时间戳、关键词偏置（`phraseList.phrases`，给领域术语和专有名词做提示）、自动语种识别、句中换语言，以及两种转写风格——`verbatim` 保留「嗯」「啊」和说错改口，给合规和质检用；`clean` 删掉这些，直接出能发的字幕和纪要。 榜单数字全部来自厂商引用：FLEURS 上 60 种语言平均词错率 5.2%，微软称排第一；Artificial Analysis 的词错率榜上排第二。速度的三个倍数同样是官方引用第三方评测的说法，尚无独立复现。
两行小字比降价重要
一是这个价有期限。微软写的是限时到今年年底，明年按什么价收没有说。把 0.10 直接乘进 2027 年的预算表是危险的——按官方给的例子，一年 10 万小时的呼叫中心音频在这个价下是 1 万美元，回到上一代价位就是 3.6 万。 二是 Azure 文档上那段公开预览声明：无服务等级协议，部分能力可能受限，不建议用于生产负载。这两条合起来，它现在适合做评估和试点，不适合把已经跑着的转写链路整条切过来。 工程限制也要看清楚：单个音频文件小于 300MB，格式限 WAV / MP3 / FLAC；`locales` 只能强制指定一种语言，且官方建议除非确定自动识别不奏效否则别指定。语言表里有 `zh`（简体中文）和 `yue`（粤语），没有单独列繁体中文语系，做繁体的团队得自己测输出字形和用语。
对选型的实际影响
本站 8 月 27 日写过谷歌的 Gemini 3.5 Transcribe，这一个多月里语音转写这条线的报价掉得很快。对已经在自建 Whisper 的团队，现在要算的是一道很朴素的账：自己那张卡的电费、运维和排队时间，和 0.10 美元一小时比，还剩多少优势——尤其在说话人分离和词级时间戳都不用自己拼的前提下。 对做会议纪要、字幕、客服质检这类产品的人，更该盯的是明年 1 月那个没公布的价格。现在能做的是把评估做完、把接口封装好，别把商业模型建在一个明确写着「限时」的数字上。
via: Microsoft AI 官方发布、Microsoft Learn: MAI-Transcribe 文档、VentureBeat 报道