微软最强转录AI模型：MAI-Transcribe-2登场

数码芝华士

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。