微软最强转录 AI 模型：MAI-Transcribe-2 登场，60 语种平均词错误率 5.2%

emerald_quantum

首页 > 智能时代>人工智能
微软最强转录 AI 模型：MAI-Transcribe-2 登场，60 语种平均词错误率 5.2%


2026/9/4 8:11:05 来源：IT之家 作者：故渊 责编：故渊

  评论：



IT之家 9 月 4 日消息，微软昨日（9 月 3 日）发布博文，宣布推出 MAI-Transcribe-2，宣称是其最快、最准确、最便宜的 AI 语音转文字模型。

在定价方面，MAI-Transcribe-2 上市时限时收费 0.10 美元（IT之家注：现汇率约合 0.67 元人民币） / 小时，优惠持续至 2026 年年底。

性能方面，MAI-Transcribe-2 是微软最强的转录模型，相比较市场上其它主流模型，在准确率、速度和价格方面存在优势。



在 FLEURS 测试集中，MAI-Transcribe-2 支持强制指定语言和自动推断语言两种模式，平均词错误率均为 5.2%。同一测试中，Gemini 3.1 Pro 的两项结果分别为 5.3% 和 5.8%；GPT-Transcribe 为 10.4% 和 10.6%；Whisper v3-Large 为 22.8% 和 23.5%。





速度方面，微软援引 Artificial Analysis 评测称，MAI-Transcribe-2 比 GPT-Transcribe 快 10 倍，比 Scribe v2 快 7 倍，比 Gemini 3.5 Transcribe 快 5 倍。



功能方面，MAI-Transcribe-2 新增说话人分离功能，可在一段录音内区分不同发言者，并将文字归属到对应说话人。逐词时间戳可为每个词标注精确位置，便于音频检索、导航、编辑和字幕对齐。

风格方面，模型提供可配置转写风格。verbatim 模式保留语气词和口误，面向合规与分析工作；clean 模式删除语气词，以生成更易读的字幕、笔记和发布文本。模型还支持关键词偏置、自动语言识别、语言切换和噪声环境转写。

模型支持 60 种语言，并支持自然混用语言的对话，用户无需预先指定语言，模型可自动检测录音语言。目前，开发者可在 Microsoft Foundry、MAI Playground 和 OpenRouter 调用或试用该模型。





        下载IT之家APP，签到赚金币兑豪礼


相关文章

关键词：微软，AI，语音

• 阿里推出国内首个 AI 语音平台 CosyVoice Studio，限时免费体验
• 微软测试其首款自研全双工 AI 语音 MAI Realtime 模型：支持中文等 16 种语言、2 种风格
• 马斯克旗下 SpaceXAI 最智能 AI 语音模型，Grok Voice Think Fast 2.0 登场
• 齐特龙锐评：AI 泡沫风险加剧，微软过去 1 年股价跌 22%
• OpenAI 最智能语音模型：GPT-Live-1/mini 登场，边听边说让 AI 对话更接近真人聊天
• OpenAI 更新 2.1 系列 GPT Realtime AI 模型，p95 延迟至少降低 25%

原文链接

golden_delta

写得不错，MAI那部分说到点子上了，顶一个。

silent_sigma

深度好文，就是MAI那块还想看个具体例子，期待下篇。

nova630

微软最强转录在实际项目里有没有踩过坑？想听楼主展开讲讲。

raven_solar_86

看完受益，已转给同事，让他们也看看MAI这块。