MAI-Transcribe-2 topper FLEURS-benchmark på 60 sprog, siger Microsoft

Microsoft AI udgav MAI-Transcribe-2 den 3. september 2026, en talegenkendelsesmodel som laboratoriet sagde rangerer som nummer ét på FLEURS-benchmarken på tværs af 60 sprog med en gennemsnitlig ordfejlrate på 5,2 %. I sin meddelelse beskrev Microsoft modellen som deres mest kapable transskriptionssystem til dato og prissatte den til $0.10 per time lyd.

Microsoft oplyser, at MAI-Transcribe-2 tilføjer taler‑diarisering, konfigurerbare transskriptionsstile og tidsstempler på ordniveau, og at den overgår konkurrerende modeller såsom Gemini 3.5 Transcribe, GPT‑Transcribe, Whisper V3‑Large og ScribeV2 på et bredere udvalg af virkelige lydoptagelser. Ifølge meddelelsen definerer modellen Pareto‑fronten for nøjagtighed og latenstid på Artificial Analysis og rangerer som nummer to på Artificial Analysis‑leaderboardet for ordfejlrate, hvilket forbedrer resultaterne fra tidligere MAI‑Transcribe‑versioner.

Microsoft positionerer modellen til arbejdsbelastninger som klinisk notatskrivning, juridisk dokumentation, tilgængelighed og undertekster. Virksomheden rapporterer hurtigere inferens med væsentligt lavere latenstid, især for langtidslyd, op til 10 gange hurtigere end førende konkurrenter. Den påpeger også, at modellen bevarer transskriptionskvaliteten under støjende forhold uden for kontrollerede optagelsesmiljøer.

Benchmarkresultater

Med henvisning til evalueringer udført af Artificial Analysis sagde Microsoft, at MAI-Transcribe-2 er 10 gange hurtigere end OpenAI’s GPT‑Transcribe, 7 gange hurtigere end ElevenLabs’ Scribe v2 og 5 gange hurtigere end Gemini 3.5 Transcribe, samtidig med at den leverer højere nøjagtighed. Virksomheden angiver, at modellen står alene i den mest attraktive kvadrant i benchmarkens nøjagtighed‑mod‑hastighed‑diagram, med en fejlrate på 2,0 % og en hastighedsfaktor på 403,6, hvilket betyder, at en times lyd kan behandles på omkring ti sekunder.

På den offentlige flersprogede FLEURS-benchmark rapporterede Microsoft, at MAI-Transcribe-2 opretholder en konsekvent høj nøjagtighed på alle de 60 testede sprog. Modellen beskrives som mere nøjagtig på flere sprog end nogen anden model, og udviklere, der transskriberer på tværs af flere sprog, kan stole på én enkelt model, hvilket reducerer kompleksiteten og potentielt sparer GPU‑forbrug. Meddelelsen konstaterer også, at modellens hastighed og gennemløb gør det muligt for Microsoft at tilbyde, hvad de kalder den mest konkurrencedygtige pris på markedet. Ved lanceringen er den timelige sats på $0.10 et tidsbegrænset tilbud, der løber indtil årets udgang.

Tilgængelighed og udviklerfunktioner

Den Microsoft Learn-dokumentation lister MAI-Transcribe-2 som tilgængelig i Azure Speech i offentlig forhåndsvisning, uden service‑level‑agreement og ikke anbefalet til produktionsarbejdsbelastninger. Dokumentationen beskriver MAI-Transcribe som en tale‑til‑tekst‑model udviklet internt af Microsoft AI‑teamet, der dækker arbejdsbelastninger som video‑undertekster, møder, kliniske noter, call‑center‑dokumentation, tilgængelighedsværktøjer, indholdsoprettelse og stemme‑agenter. Den nævner også MAI-Transcribe-2 sammen med de tidligere MAI-Transcribe-1.5 og MAI-Transcribe-1, sidstnævnte udfaset den 20. august 2026.

Anmodninger dirigeres gennem Fast Transcription API’ens forbedrede tilstand, hvor modellen vælges ved at sætte egenskaben “enhanced mode model” til MAI-Transcribe-2. Lydinput er begrænset til filer under 300 MB i WAV-, MP3- eller FLAC-format, og brug kræver et Azure‑abonnement samt en Microsoft Foundry‑ressource til Speech.

Valgfrie parametre styrer modellens funktionssæt. Taler‑diarisering opdeler en optagelse efter taler og returnerer taler‑mærkede segmenter med offset‑ og varighedsmetadata. Tidsstempler på ordniveau giver timing for hvert enkelt ord, mens en “segment”‑indstilling giver timing pr. segment, og en “none”‑indstilling udelader timingdata. En “phrase‑list”‑parameter påvirker genkendelsen mod leverede termer såsom domænespecifik terminologi, forkortelser og egennavne, hvor dokumentationen bemærker, at termerne fungerer som hints snarere end tvungen output.

Transskriptionsstil‑parameteren er som standard “verbatim”, hvilket indfanger talen præcis som den er udtalt, inklusive fyldord og fejltagelser, til overholdelse, QA og analyse‑arbejdsbelastninger. En “clean”‑indstilling fjerner fyldord og auto‑formaterer almindelige talemønstre for at producere mere læsevenlige undertekster, noter og offentliggjorte transskriptioner. Sprogvælging er valgfri; som standard genkender modellen automatisk det talte sprog, og dokumentationen anbefaler at tvinge et specifikt sprog kun, når automatisk genkendelse fejler. Kodeskift for blandede sprogpar som Hinglish og Spanglish håndteres automatisk, og støjrobusthed for lyd optaget uden for kontrollerede miljøer er indbygget i modellen.

Dokumentationen bemærker også, at MAI-Transcribe kan levere transskription af input‑lyd i Voice Live‑API’en via et sessions‑konfigurationsfelt. Microsoft sagde, at modellen er tilgængelig til demonstration gennem Microsoft Foundry og MAI Playground samt OpenRouter.