微软MAI-Transcribe-2转录模型登场，60语种错误率仅5.2%

微软近日推出新一代AI语音转文字模型MAI-Transcribe-2，并宣称这是其迄今为止最快、最准确、最便宜的语音识别方案。在定价方面，该模型上市初期实施限时优惠，每小时收费仅为0.10美元，约合人民币0.67元，优惠将持续至2026年年底。这一价格策略明显意在抢占高性价比的语音转录市场。

从性能表现来看，MAI-Transcribe-2在FLEURS测试集中取得了突出的成绩。在强制指定语言和自动推断语言两种模式下，模型的平均词错误率均为5.2%。作为对比，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%，而Whisper v3-Large则高达22.8%和23.5%。这意味着MAI-Transcribe-2在识别准确率上全面超越了目前主流的云端语音转录模型。

速度方面，微软援引Artificial Analysis的评测数据指出，MAI-Transcribe-2的推理速度比GPT-Transcribe快10倍，比Scribe v2快7倍，比Gemini 3.5 Transcribe快5倍。这种显著的性能优势使得该模型能够适用于实时字幕、会议记录、语音交互等对延迟敏感的应用场景。

在功能设计上，MAI-Transcribe-2引入了多项面向实际生产环境的增强能力。其中说话人分离功能可以区分同一段录音中的不同发言者，并将文字归属到对应说话人，这对于会议纪要、访谈整理等需求尤为实用。逐词时间戳则能为每个词标注精确的时间位置，便于开发者实现音频检索、导航、在线编辑和字幕对齐等功能。

在转写风格方面，模型提供了两种可配置模式：verbatim模式会保留语气词、口误等原始语音特征，适合合规审查和语言学分析场景；clean模式则会自动去除语气词，生成更易阅读和发布的文本，适合字幕制作、笔记整理等内容生产环节。此外，MAI-Transcribe-2还支持关键词偏置、自动语言识别、语言切换以及噪声环境转写，能够处理自然混用语言的对话，用户无需预先指定语言，模型即可自动检测录音内容所用语言。

模型覆盖了60种语言，可以满足全球化业务对多语种语音识别的需求。目前，开发者可以通过Microsoft Foundry、MAI Playground和OpenRouter等平台调用或试用该模型。这一产品发布进一步加剧了云端语音AI服务市场的竞争，同时也为开发者提供了更具性价比和更高性能的转录技术选项。