微软推出MAI-Transcribe-2：称最快、最准、最便宜的AI语音转文字模型

9月4日，据报道，微软发布博文，宣布推出MAI-Transcribe-2，称其为旗下最快、最准确、最经济的AI语音转文字模型。定价方面，该模型限时收费0.10美元/小时，优惠持续至2026年年底。

性能方面，微软称该模型为最强转录模型。在FLEURS测试集中，MAI-Transcribe-2在强制指定语言和自动推断语言两种模式下，平均词错误率均为5.2%。同一测试中，Gemini 3.1 Pro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，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、编辑和字幕对齐。模型提供可配置转写风格：verbatim模式保留语气词和口误，适合合规与分析工作；clean模式删除语气词，生成更易读的字幕和笔记。

该模型支持60种语言及自然混用语言的对话，无需预先指定语言即可自动检测。目前，开发者可在Microsoft Foundry、MAI Playground和OpenRouter调用或试用。