微软发布MAI-Transcribe-2语音转写模型

IT时代网9月4日消息，微软 9 月 3 日宣布推出 MAI-Transcribe-2，称其是公司最快、最准确、最便宜的 AI 语音转文字模型，上市时限时收费每小时 0.10 美元，优惠持续至 2026 年年底。

准确率数据来自 FLEURS 测试集：MAI-Transcribe-2 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%；同一测试里 Gemini 3.1 Pro 为 5.3% 和 5.8%，GPT-Transcribe 为 10.4% 和 10.6%，Whisper v3-Large 则达到 22.8% 和 23.5%。速度上，微软援引 Artificial Analysis 评测称其比 GPT-Transcribe 快 10 倍，比 Scribe v2 快 7 倍，比 Gemini 3.5 Transcribe 快 5 倍。

功能层面，新模型加入了说话人分离，可在一段录音内区分不同发言者并把文字归属到对应说话人；逐词时间戳便于音频检索、导航、编辑和字幕对齐。模型提供 verbatim 与 clean 两种可配置转写风格——前者保留语气词和口误，面向合规与分析；后者删除语气词，产出更易读的字幕、笔记和发布文本。此外还支持关键词偏置、自动语言识别、语言切换与噪声环境转写，覆盖 60 种语言，混用语言的对话可自动检测，无需预先指定。开发者可在 Microsoft Foundry、MAI Playground 和 OpenRouter 调用或试用。

注：本文综合自IT之家等，文中包含AI辅助创作的内容。