昨日，微软发布博文宣布推出MAI-Transcribe-2，将其定位为公司最快、最准确且最具成本效益的AI语音转文字模型。在定价方面，该模型上市后限时收费每小时0.10美元（约合0.67元人民币），优惠将持续至2026年年底，这一价格显著低于市面上多数主流转录服务。性能层面，微软援引Artificial Analysis的评测数据称，MAI-Transcribe-2的转录速度比GPT-Transcribe快10倍，比Scribe v2快7倍，比Gemini 3.5 Transcribe快5倍，展现出明显的速度优势。
在准确率上，MAI-Transcribe-2同样表现出色。在FLEURS标准测试集中，该模型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%。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在识别精度上大幅领先于多个主流竞品，尤其对于长尾语种和复杂口音的适应性更为突出。
功能方面，MAI-Transcribe-2新增了说话人分离功能，可在录音中区分不同发言者并将文字归属到对应人，同时逐词时间戳为每个词标注精确位置，便于音频检索和字幕对齐。模型还提供可配置的转写风格：verbatim模式保留语气词和口误，适合合规与分析工作；clean模式则删除冗余词，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，无需预先指定语种即可自动检测。目前，开发者已可在Microsoft Foundry、MAI Playground和OpenRouter平台调用或试用该模型。
原创文章，作者：Microsoft，如若转载，请注明出处：https://www.kejixun.co/article/761237.html
