微軟最強轉錄模型 MAI-Transcribe-2 登場：60 語種詞錯誤率 5.2%，每小時僅 0.67 元

微軟 宣佈推出 MAI-Transcribe-2，宣稱這是其最快、最準確、最便宜的 AI 語音轉文字模型。定價上，該模型上市時限時收費 0.10 美元（約合 0.67 元人民幣）/ 小時，優惠持續至 2026 年年底。

準確率、速度雙領先，比 GPT-Transcribe 快 10 倍

性能方面，在 FLEURS 測試集中，MAI-Transcribe-2 在強制指定語言和自動推斷語言兩種模式下的平均詞錯誤率均爲 5.2%。同一測試中，Gemini 3.1 Pro 的兩項結果爲 5.3% 和 5.8%，GPT-Transcribe 爲 10.4% 和 10.6%，Whisper v3-Large 爲 22.8% 和 23.5%。

速度上，微軟援引 Artificial Analysis 評測稱，MAI-Transcribe-2 比 GPT-Transcribe 快 10 倍，比 Scribe v2 快 7 倍，比 Gemini 3.5 Transcribe 快 5 倍。

支持說話人分離與逐詞時間戳，覆蓋 60 種語言

功能方面，MAI-Transcribe-2 新增說話人分離能力，可在一段錄音內區分不同發言者，並把文字歸屬到對應說話人；逐詞時間戳能爲每個詞標註精確位置，便於音頻檢索、導航、編輯和字幕對齊。

風格上，模型提供可配置轉寫風格：verbatim 模式保留語氣詞和口誤，面向合規與分析工作；clean 模式刪除語氣詞，生成更易讀的字幕、筆記和發佈文本。此外還支持關鍵詞偏置、自動語言識別、語言切換和噪聲環境轉寫。模型覆蓋 60 種語言，支持自然混用語言的對話，用戶無需預先指定語言，模型可自動檢測錄音語言。

目前，開發者可在 Microsoft Foundry、MAI Playground 和 OpenRouter 調用或試用該模型。