Microsoftin mukaan MAI-Transcribe-2 johtaa FLEURS‑vertailussa 60 kielellä

Microsoft AI julkaisi MAI-Transcribe-2:n 3. syyskuuta 2026, puheentunnistusmallin, jonka laboratoriosta kerrotaan sijoittuvan ensimmäiseksi FLEURS‑vertailussa 60 kielellä keskimääräisellä sanavirheratalla 5,2 %. Ilmoituksessaan Microsoft kuvailee mallia tähän mennessä kyvykkäimpänä transkriptiojärjestelmänään ja hinnoittelee sen $0.10 per tunti ääntä.

Microsoft kertoi, että MAI-Transcribe-2 lisää puheenantajan (speaker diarization), muokattavat transkriptio‑tyylit ja sanatasoiset aikaleimat, ja ylittää kilpailevat mallit, kuten Gemini 3.5 Transcribe, GPT-Transcribe, Whisper V3-Large ja ScribeV2, laajemmassa todellisen maailman ääniympäristössä. Ilmoituksen mukaan malli määrittelee Pareto‑rajapinnan tarkkuudelle ja latenssille Artificial Analysis -testissä ja sijoittuu toiseksi Artificial Analysis -sanavirherataulukossa, parantaen aikaisempien MAI-Transcribe‑versioiden tuloksia.

Microsoft asemoi mallin työkuormiin, kuten kliinisiin muistiinpanoihin, oikeudelliseen dokumentointiin, saavutettavuuteen ja suljettuihin tekstityksiin. Yritys raportoi nopeammasta inferenssistä huomattavasti alhaisemmalla latenssilla, erityisesti pitkäkestoisessa äänessä, jopa kymmenen kertaa nopeampana kuin johtavilla kilpailijoilla. Lisäksi kerrottiin, että malli säilyttää transkriptio­laadun meluisissa olosuhteissa, jotka eivät ole hallituissa tallennusympäristöissä.

Vertailutulokset

Viitaten Artificial Analysisin suorittamiin arvioihin, Microsoft kertoi, että MAI-Transcribe-2 on 10‑kertaa nopeampi kuin OpenAI:n GPT-Transcribe, 7‑kertaa nopeampi kuin ElevenLabsin Scribe v2 ja 5‑kertaa nopeampi kuin Gemini 3.5 Transcribe, samalla tarjoten paremman tarkkuuden. Yritys sanoi, että malli sijoittuu yksinään vertailun tarkkuus‑vs‑nopeus‑kaavion houkuttelevimpaan neljännekseen, 2,0 % virheratalla ja nopeuskerroin 403,6, mikä tarkoittaa, että tunnin ääni saadaan takaisin noin kymmenessä sekunnissa.

Julkisessa monikielisessä FLEURS‑vertailussa Microsoft raportoi, että MAI-Transcribe-2 ylläpitää tasaisesti korkeaa tarkkuutta kaikissa 60 testatussa kielessä. Yritys kuvaili mallin tarkemmaksi kuin mikään muu malli useammassa kielessä, ja totesi, että monikielisiä transkriptioita tekevät kehittäjät voivat luottaa yhteen malliin, mikä vähentää monimutkaisuutta ja voi säästää GPU‑käyttöä. Ilmoituksessa todettiin myös, että mallin nopeus ja läpimeno mahdollistavat Microsoftin tarjoaman markkinoiden kilpailukykyisimmän hinnan. Julkaisuhetkellä $0.10 tunnin hintaa on rajoitetun ajan voimassa vuoden loppuun asti.

Saatavuus ja kehittäjäominaisuudet

Microsoft Learn -dokumentaatio luettelee MAI-Transcribe-2:n saatavilla olevaksi Azure Speech -palvelussa julkisena esikatseluna, ilman palvelutasosopimusta eikä suositeltavana tuotantotyökuormiin. Dokumentaatio kuvaa MAI-Transcribe:n Microsoft AI -tiimin sisäisesti kehittämäksi puhe‑tekstiksi -malliksi, joka kattaa työkuormat kuten video‑tekstitys, kokoukset, kliiniset muistiinpanot, puhelinkeskuksen dokumentointi, saavutettavuustyökalut, sisällöntuotanto ja ääni‑agentit. Siinä luetellaan myös MAI-Transcribe-2 yhdessä aikaisempien MAI-Transcribe-1.5:n ja MAI-Transcribe-1:n kanssa, joista jälkimmäinen poistettiin käytöstä 20. elokuuta 2026.

Pyynnöt kulkevat Fast Transcription API:n parannetun tilan kautta, ja malli valitaan asettamalla parannetun tilan mallin ominaisuudeksi MAI-Transcribe-2. Äänisyöte rajoittuu alle 300 MB tiedostoihin WAV-, MP3- tai FLAC-muodossa, ja käyttö edellyttää Azure‑tiliä sekä Microsoft Foundry -resurssia puheelle.

Valinnaiset parametrit ohjaavat mallin ominaisuuksia. Puheenantaja (speaker diarization) jakaa tallenteen puhujittain ja palauttaa puhujan merkitsemät segmentit aikaviive‑ ja kesto‑metatiedoilla. Sanatasoiset aikaleimat antavat aikaleiman jokaiselle sanalle, kun taas segmentti‑vaihtoehto palauttaa aikaleiman segmentti‑kohtaisesti ja none‑vaihtoehto jättää aikaleimat pois. Phrase‑list‑parametri ohjaa tunnistusta annettuihin termeihin, kuten toimialakohtaiseen sanastoon, lyhenteisiin ja erisnimiin; dokumentaatiossa todetaan, että termit toimivat vihjeinä eikä pakotettuina tuloksina.

Transkriptio‑tyyli‑parametri oletuksena on verbatim, joka tallentaa puheen tarkalleen sellaisena kuin se on puhuttu, mukaan lukien täytesanat ja aloitusvirheet, tarkoitettuina noudattavuus‑, QA‑ ja analyysityökuormiin. Clean‑asetus poistaa täytesanat ja automaattisesti muotoilee yleisiä puhekuvioita, jotta syntyy luettavampia tekstityksiä, muistiinpanoja ja julkaistuja transkriptioita. Kielen valinta on valinnainen; oletuksena malli tunnistaa puhutun kielen automaattisesti, ja dokumentaatio kehottaa pakottamaan tietyn kielen vain, jos automaattinen tunnistus epäonnistuu. Koodinvaihto sekoitetuille kielipareille, kuten Hinglish ja Spanglish, hoidetaan automaattisesti, ja melun sietokyky ääneen, joka on tallennettu hallitsemattomissa ympäristöissä, on malliin sisäänrakennettu.

Dokumentaatio mainitsee myös, että MAI-Transcribe voi tarjota syöteäänen transkription Voice Live API:n kautta istunnon konfiguraatiokentän avulla. Microsoft kertoi, että malli on saatavilla demoina Microsoft Foundryssa ja MAI Playgroundissa, ja että OpenRouterin saatavuus on tulossa pian.