Microsoft AI 发布语音识别模型 MAI-Transcribe-2

模型

2026年9月3日

模型

隆重推出 MAI‑Transcribe‑2。它不仅是我们迄今为止最强大的转录模型，也是竞争对手中最强大、最高效的。

凭借说话人分离、可配置转录风格和词级时间戳等新功能，MAI-Transcribe-2 击败了 Gemini 3.5 Transcribe、GPT-Transcribe、Whisper V3-Large 和 ScribeV2 等其他领先模型，同时还能处理更广泛的真实世界音频。

我们的模型在涵盖 60 种语言的 FLEURS 基准测试中排名第一，平均词错误率为 5.2%，在 Artificial Analysis 上定义了准确率与延迟的帕累托前沿，并在 Artificial Analysis 词错误率排行榜上排名第二，延续了此前版本的持续攀升。

所有这些性能还伴随着市场上最优的价格，每小时音频仅需 0.10 美元。

用单一模型解决更多挑战

从临床记录到法律文档，从无障碍访问到隐藏字幕，MAI-Transcribe-2 专为应对真实世界应用而设计，具备：

• 更快的推理速度和显著更低的延迟，尤其针对长音频，处理速度比领先竞争对手快达 10 倍。
• 说话人分离 可区分不同说话人，并将录音中的词语归属到正确的人
• 词级时间戳 为每个词提供精确的时间信息，实现更准确的对齐、搜索、导航和编辑
• 关键词偏置 帮助模型识别特定领域的术语、缩写、名称以及其他仅凭上下文难以区分的词汇
• 可配置转录风格让开发者掌控输出。“逐字”设置按原话记录语音，包括填充词和口误，适用于合规和分析工作负载。“干净”设置则去除填充词，生成更易读的字幕、笔记和发布稿
• 语码转换支持在语言之间自然切换的对话，包括 Hinglish 和 Spanglish 等常见的混合语言对
• 自动语言识别可准确检测所讲的具体语言，用户无需事先指定
• 嘈杂环境下的稳健性能有助于在受控录音环境之外保持转录质量
• 覆盖 60 种语言的准确性 为世界各地的开发者提供高质量转录

高效而不牺牲准确性

MAI‑Transcribe‑2 极其高效，在 Artificial Analysis 准确率-延迟帕累托前沿上领先，将领先的转录质量与市场领先的批处理速度相结合。它比主要竞争对手的最新模型快得多，在低延迟转录至关重要时具有明显优势。

根据 Artificial Analysis 运行的评估，该模型比 OpenAI 的 GPT‑Transcribe 快 10 倍，比 ElevenLabs 的 Scribe v2 快 7 倍，比 Gemini 3.5 Transcribe 快 5 倍，同时提供更高的准确性。

在 60 种语言中保持一致的品质

MAI‑Transcribe‑2 在比任何其他模型都更多的语言中保持准确。

我们在公开的多语言基准测试 FLEURS 上的评估表明，它在所有测试中都保持了始终如一的高准确率标准。需要跨多种语言进行转录的开发者可以选择单一模型，从而降低复杂性，甚至可能避免 GPU 利用率方面的问题。

以最优价格实现高性能

高效意味着高性价比。MAI-Transcribe-2 的速度和吞吐量使我们能够提供市场上最具竞争力的价格，帮助开发者在保证转录质量的同时处理更多音频。发布时，MAI-Transcribe-2 的定价为每小时 $0.10，作为限时优惠，持续到今年年底。

与我们共建未来

我们是一个精干、行动迅速的实验室，汇聚了世界上最杰出的一些人才。我们在 MAI 有一条令人兴奋的算力路线图，正在快速且大规模地扩展。我们还有一个我们真心相信的雄心勃勃的使命。我们也很幸运能与出色的产品团队合作，让我们的模型有机会触达数十亿用户并产生巨大的积极影响。如果你是一位才华横溢、雄心勃勃且不摆架子的人，你会非常适合这里——快来加入我们，一起打造我们的下一代模型！

查看所有职位