MAI-Transcribe-2 vede benchmark FLEURS ve 60 jazycích, uvádí Microsoft

Společnost Microsoft AI vydala 3. září 2026 model rozpoznávání řeči MAI-Transcribe-2, o kterém laboratoř uvádí, že je na benchmarku FLEURS v 60 jazycích na prvním místě s průměrnou chybovostí slov 5,2 %. Ve svém oznámení Microsoft popsal model jako dosud nejvýkonnější transkripční systém a stanovil cenu 0,10 $ za hodinu audia.

Microsoft uvedl, že MAI-Transcribe-2 přidává diarizaci mluvčích, konfigurovatelné styly transkripce a časové značky na úrovni slov, a překonává konkurenční modely včetně Gemini 3.5 Transcribe, GPT‑Transcribe, Whisper V3‑Large a ScribeV2 v širším spektru reálných zvukových nahrávek. Podle oznámení model definuje Pareto‑frontu pro přesnost a latenci v rámci Artificial Analysis a umisťuje se na druhém místě v žebříčku chybovosti slov v Artificial Analysis, čímž zlepšuje výsledky předchozích verzí MAI‑Transcribe.

Microsoft model umístil pro úlohy jako jsou klinické poznámky, právní dokumentace, zpřístupnění a uzavřené titulkování. Společnost uvádí rychlejší inferenci s podstatně nižší latencí, zejména u dlouhých audiozáznamů, až desetinásobně rychlejší než u předních konkurentů. Dále uvádí, že model zachovává kvalitu transkripce i v hlučných podmínkách mimo kontrolovaná nahrávací prostředí.

Výsledky benchmarku

Na základě hodnocení provedených společností Artificial Analysis Microsoft uvedl, že MAI-Transcribe-2 je 10‑krát rychlejší než GPT‑Transcribe od OpenAI, 7‑krát rychlejší než Scribe v2 od ElevenLabs a 5‑krát rychlejší než Gemini 3.5 Transcribe, přičemž dosahuje vyšší přesnosti. Společnost dále uvádí, že model stojí sám v nejatraktivnějším kvadrantu grafu přesnost‑oproti‑rychlosti benchmarku, s chybovostí 2,0 % a rychlostním faktorem 403,6, což znamená, že hodina audia se zpracuje přibližně za deset sekund.

V rámci veřejného vícejazyčného benchmarku FLEURS Microsoft oznámil, že MAI-Transcribe-2 udržuje konzistentně vysokou úroveň přesnosti ve všech 60 testovaných jazycích. Společnost popisuje model jako přesný ve více jazycích než kterýkoli jiný model a uvádí, že vývojáři transkribující v několika jazycích mohou spoléhat na jediný model, což snižuje složitost a potenciálně šetří využití GPU. Oznámení také uvádí, že rychlost a propustnost modelu umožňují Microsoftu nabídnout to, co nazývá nejkonkurenceschopnější cenou na trhu. Při spuštění je hodinová sazba 0,10 $ časově omezenou nabídkou platnou do konce roku.

Dostupnost a vývojářské funkce

Dokumentace Microsoft Learn uvádí, že MAI-Transcribe-2 je v Azure Speech k dispozici v rámci veřejné ukázky, bez smlouvy o úrovni služby a není doporučena pro produkční úlohy. Dokumentace popisuje MAI-Transcribe jako model převodu řeči na text vyvinutý interně týmem Microsoft AI, který pokrývá úlohy jako titulkování videí, schůzky, klinické poznámky, dokumentaci call center, nástroje pro zpřístupnění, tvorbu obsahu a hlasové agenty. Uvádí také MAI-Transcribe-2 vedle dřívějších verzí MAI-Transcribe-1.5 a MAI-Transcribe-1, přičemž poslední byla zrušena 20. srpna 2026.

Požadavky jsou směrovány přes rozšířený režim Fast Transcription API, přičemž model se vybírá nastavením vlastnosti modelu v rozšířeném režimu na MAI-Transcribe-2. Vstupní audio je omezeno na soubory do 300 MB ve formátech WAV, MP3 nebo FLAC a jeho použití vyžaduje předplatné Azure a zdroj Microsoft Foundry pro Speech.

Volitelné parametry řídí sadu funkcí modelu. Diarizace mluvčích rozděluje nahrávku podle mluvčích a vrací segmenty označené mluvčím s metadaty o posunu a délce. Časové značky na úrovni slov poskytují načasování každého slova, zatímco volba segment vrací načasování podle segmentu a volba none vynechává data o načasování. Parametr phrase‑list upřednostňuje rozpoznávání směrem k dodaným termínům, jako jsou oborová terminologie, zkratky a vlastní jména, přičemž dokumentace uvádí, že termíny fungují jako nápovědy, nikoli jako vynucený výstup.

Parametr stylu transkripce je ve výchozím nastavení verbatim, což zachycuje řeč přesně tak, jak je vyslovena, včetně výplňových slov a nesprávných začátků, pro účely shody, QA a analytických úloh. Nastavení clean odstraňuje výplňová slova a automaticky formátuje běžné vzorce řeči, aby vytvořilo čitelnější titulky, poznámky a publikované transkripty. Výběr jazyka je volitelný; ve výchozím nastavení model automaticky detekuje mluvený jazyk a dokumentace doporučuje vynutit konkrétní jazyk pouze v případě selhání automatické detekce. Přepínání kódu pro smíšené jazykové páry jako Hinglish a Spanglish je zpracováváno automaticky a odolnost vůči šumu u audia nahraného mimo kontrolovaná prostředí je inherentní modelu.

Dokumentace také uvádí, že MAI-Transcribe může poskytovat transkripci vstupního audia v Voice Live API prostřednictvím pole konfigurace relace. Microsoft uvedl, že model je k dispozici k demonstraci prostřednictvím Microsoft Foundry a MAI Playground a OpenRouter.