Die Wortfehlerrate zählt, welcher Anteil der Wörter falsch, ausgelassen oder zusätzlich erkannt wird. Artificial Analysis misst sie für die fertige Abschrift nach dem Ende einer Äußerung: MAI-Transcribe-2-Streaming kommt auf 2,5 Prozent und liefert sie nach 0,13 Sekunden. Der bisherige Spitzenreiter Grok Voice Transcribe 2.0 von SpaceXAI lag bei 2,7 Prozent und 0,49 Sekunden, ElevenLabs Scribe v2 Realtime bei 3,6 Prozent.
Auch bei der ersten Zwischenabschrift, mit der ein Sprachagent schon arbeiten kann, bevor der Satz fertig ist, führt das Modell mit 2,5 Prozent nach 0,12 Sekunden. Schneller, aber ungenauer sind dort die Modelle von Cartesia. Microsoft nennt 60 Sprachen mit automatischer Spracherkennung; diese Angabe stammt wie die übrigen Leistungsversprechen vom Hersteller.
Der Preis von 0,54 Dollar je Audiostunde gilt laut Microsoft als Einführungspreis bis Jahresende. Artificial Analysis setzt ihn gleichauf mit Gemini 3.5 Transcribe Live, über ElevenLabs und Deepgram und beim Dreifachen von Muse Voice Transcribe an.
Parallel erschienen MAI-Voice-2.1 und MAI-Voice-2.1-Flash für Sprachausgabe in 23 Sprachen; eine Stimme soll dabei zwischen den Sprachen wechseln können. Microsoft verlangt 22 beziehungsweise 15 Dollar je Million Zeichen und nennt für Flash eine Latenz von 150 Millisekunden. Alle drei Modelle sind über Microsoft Foundry und den MAI Playground erreichbar, die beiden Sprachausgabe-Modelle auch über OpenRouter.