Το MAI-Transcribe-2 καταλαμβάνει την κορυφή του benchmark FLEURS σε 60 γλώσσες, αναφέρει η Microsoft

Η Microsoft AI κυκλοφόρησε το MAI-Transcribe-2 στις 3 Σεπτεμβρίου 2026, ένα μοντέλο αναγνώρισης ομιλίας που, σύμφωνα με το εργαστήριο, κατατάσσεται πρώτο στο benchmark FLEURS σε 60 γλώσσες με μέσο ποσοστό σφάλματος λέξεων 5,2 %. Στην ανακοίνωσή του, η Microsoft περιέγραψε το μοντέλο ως το πιο ικανό σύστημα μεταγραφής που διαθέτει μέχρι σήμερα και το τιμολόγησε στα $0.10 ανά ώρα ήχου.

Η Microsoft δήλωσε ότι το MAI-Transcribe-2 προσθέτει διαχωρισμό ομιλητών, ρυθμιζόμενα στυλ μεταγραφής και χρονικές σήμανσεις σε επίπεδο λέξης, και υπερβαίνει τα ανταγωνιστικά μοντέλα, συμπεριλαμβανομένων των Gemini 3.5 Transcribe, GPT-Transcribe, Whisper V3‑Large και ScribeV2, σε ευρύτερο φάσμα πραγματικού ήχου. Σύμφωνα με την ανακοίνωση, το μοντέλο ορίζει το όριο Pareto για ακρίβεια και καθυστέρηση στο Artificial Analysis και κατατάσσεται δεύτερο στη λίστα κατάταξης σφάλματος λέξεων του Artificial Analysis, βελτιώνοντας τα αποτελέσματα των προηγούμενων εκδόσεων του MAI-Transcribe.

Η Microsoft τοποθέτησε το μοντέλο για φορτία εργασίας όπως η λήψη κλινικών σημειώσεων, η νομική τεκμηρίωση, η προσβασιμότητα και η κλειστή υποτιτλισμός. Η εταιρεία ανέφερε ταχύτερη εκτέλεση με σημαντικά χαμηλότερη καθυστέρηση, ιδιαίτερα για ήχο μεγάλης διάρκειας, με ταχύτητα επεξεργασίας έως και 10 φορές μεγαλύτερη από αυτή των κορυφαίων ανταγωνιστών. Δήλωσε επίσης ότι το μοντέλο διατηρεί την ποιότητα μεταγραφής σε θορυβώδεις συνθήκες εκτός ελεγχόμενων περιβαλλόντων ηχογράφησης.

Αποτελέσματα Benchmark

Αναφέροντας τις αξιολογήσεις που διεξήχθησαν από το Artificial Analysis, η Microsoft δήλωσε ότι το MAI-Transcribe-2 είναι 10 φορές πιο γρήγορο από το GPT-Transcribe της OpenAI, 7 φορές πιο γρήγορο από το Scribe v2 της ElevenLabs και 5 φορές πιο γρήγορο από το Gemini 3.5 Transcribe, ενώ προσφέρει υψηλότερη ακρίβεια. Η εταιρεία ανέφερε ότι το μοντέλο βρίσκεται μόνο του στο πιο ελκυστικό τεταρτημόριο του διαγράμματος ακρίβειας‑σε‑ταχύτητα του benchmark, με ποσοστό σφάλματος 2,0 % και παράγοντα ταχύτητας 403,6, πράγμα που σημαίνει ότι μία ώρα ήχου επεξεργάζεται σε περίπου δέκα δευτερόλεπτα.

Στο δημόσιο πολύγλωσσο benchmark FLEURS, η Microsoft ανέφερε ότι το MAI-Transcribe-2 διατηρεί σταθερά υψηλό επίπεδο ακρίβειας σε όλες τις 60 δοκιμασμένες γλώσσες. Η εταιρεία περιέγραψε το μοντέλο ως ακριβές σε περισσότερες γλώσσες από οποιοδήποτε άλλο μοντέλο και δήλωσε ότι οι προγραμματιστές που μεταγράφουν σε πολλαπλές γλώσσες μπορούν να βασιστούν σε ένα ενιαίο μοντέλο, μειώνοντας την πολυπλοκότητα και ενδεχομένως εξοικονομώντας χρήση GPU. Η ανακοίνωση επίσης αναφέρει ότι η ταχύτητα και η διαπερατότητα του μοντέλου επιτρέπουν στη Microsoft να προσφέρει τιμή που χαρακτηρίζει ως την πιο ανταγωνιστική στην αγορά. Κατά την κυκλοφορία, η τιμή των $0.10 ανά ώρα είναι προσφορά περιορισμένου χρόνου που ισχύει μέχρι το τέλος του έτους.

Διαθεσιμότητα και Χαρακτηριστικά για Προγραμματιστές

Η τεκμηρίωση του Microsoft Learn αναφέρει ότι το MAI-Transcribe-2 είναι διαθέσιμο στο Azure Speech σε δημόσια προεπισκόπηση, χωρίς συμφωνία επιπέδου υπηρεσίας και δεν συνιστάται για παραγωγικά φορτία εργασίας. Η τεκμηρίωση περιγράφει το MAI-Transcribe ως μοντέλο ομιλίας‑σε‑κείμενο που δημιουργήθηκε εσωτερικά από την ομάδα Microsoft AI, καλύπτοντας φορτία εργασίας όπως υποτιτλισμός βίντεο, συναντήσεις, κλινικές σημειώσεις, τεκμηρίωση κέντρου κλήσεων, εργαλεία προσβασιμότητας, δημιουργία περιεχομένου και φωνητικούς πράκτορες. Αναφέρει επίσης το MAI-Transcribe-2 μαζί με τα προηγούμενα MAI‑Transcribe‑1.5 και MAI‑Transcribe‑1, το τελευταίο του οποίου αποσύρθηκε στις 20 Αυγούστου 2026.

Τα αιτήματα δρομολογούνται μέσω της ενισχυμένης λειτουργίας του Fast Transcription API, με το μοντέλο να επιλέγεται ορίζοντας την ιδιότητα μοντέλου ενισχυμένης λειτουργίας σε MAI-Transcribe-2. Η είσοδος ήχου περιορίζεται σε αρχεία κάτω των 300 MB σε μορφή WAV, MP3 ή FLAC, και η χρήση απαιτεί συνδρομή Azure και πόρο Microsoft Foundry για Speech.

Προαιρετικές παράμετροι ελέγχουν το σύνολο χαρακτηριστικών του μοντέλου. Η διαχωριστική λειτουργία ομιλητών χωρίζει μια ηχογράφηση ανά ομιλητή και επιστρέφει τμήματα επισημασμένα με το όνομα του ομιλητή, μαζί με μεταδεδομένα μετατόπισης και διάρκειας. Οι χρονικές σήμανσεις σε επίπεδο λέξης παρέχουν χρονισμό για κάθε λέξη, ενώ η επιλογή segment παρέχει χρονισμό ανά τμήμα και η επιλογή none παραλείπει τα δεδομένα χρονισμού. Η παράμετρος phrase‑list προκαταλήπτε την αναγνώριση προς παρεχόμενους όρους όπως εξειδικευμένη ορολογία, συντομογραφίες και ορθογραφικά ονόματα, με την τεκμηρίωση να σημειώνει ότι οι όροι λειτουργούν ως υποδείξεις και όχι ως υποχρεωτικό αποτέλεσμα.

Η παράμετρος στυλ μεταγραφής προεπιλογή είναι verbatim, η οποία καταγράφει την ομιλία ακριβώς όπως εκφωνείται, συμπεριλαμβανομένων των γεμιστών λέξεων και των λανθασμένων εκκινήσεων, για φορτία εργασίας συμμόρφωσης, QA και ανάλυσης. Η ρύθμιση clean αφαιρεί τα γεμιστά και μορφοποιεί αυτόματα κοινά πρότυπα ομιλίας ώστε να παραχθούν πιο αναγνώσιμα υπότιτλοι, σημειώσεις και δημοσιευμένα μεταγραφικά κείμενα. Η επιλογή γλώσσας είναι προαιρετική· εξ ορισμού το μοντέλο ανιχνεύει αυτόματα τη γλώσσα ομιλίας, και η τεκμηρίωση προτείνει την εξαναγκαστική καθορισμό συγκεκριμένης γλώσσας μόνο όταν η αυτόματη ανίχνευση αποτύχει. Η εναλλαγή κώδικα για συνδυασμένα ζεύγη γλωσσών όπως Hinglish και Spanglish διαχειρίζεται αυτόματα, και η ανθεκτικότητα στον θόρυβο για ήχο που ηχογραφήθηκε εκτός ελεγχόμενων περιβαλλόντων είναι ενσωματωμένη στο μοντέλο.

Η τεκμηρίωση επίσης σημειώνει ότι το MAI-Transcribe μπορεί να παρέχει μεταγραφή εισερχόμενου ήχου μέσω του Voice Live API μέσω ενός πεδίου διαμόρφωσης συνεδρίας. Η Microsoft δήλωσε ότι το μοντέλο είναι διαθέσιμο για επίδειξη μέσω του Microsoft Foundry και του MAI Playground, καθώς και του OpenRouter.

Πηγές του αρχικού άρθρου: microsoft.ai [1] · learn.microsoft.com [2]