AI-mallit ja alustat
Microsoftin mukaan MAI-Transcribe-2 johtaa FLEURS‑vertailussa 60 kielellä
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa
Microsoft AI julkaisi MAI-Transcribe-2:n 3. syyskuuta 2026, puheentunnistusmallin, jonka laboratoriosta kerrotaan sijoittuneen ensimmäiseksi FLEURS‑vertailussa 60 kielellä keskimääräisellä sanavirheratalla 5,2 %. Sen ilmoitus kuvaili mallia tähän mennessä kykenevimmäksi transkriptiojärjestelmäkseen ja hinnoitteli sen 0,10 USD:ksi ääntä kohden tunnilta.
Microsoft kertoi, että MAI-Transcribe-2 lisää puheentunnistukseen puheentunnistuksen (speaker diarization), muokattavat transkriptio‑tyylit ja sanatasoiset aikaleimat, ja ylittää kilpailevat mallit, kuten Gemini 3.5 Transcribe, GPT-Transcribe, Whisper V3‑Large ja ScribeV2, laajemmalla todellisen äänen skaalalla. Ilmoituksen mukaan malli määrittelee Pareto‑rajapinnan tarkkuuden ja viiveen osalta Artificial Analysis -testissä ja sijoittuu toiseksi Artificial Analysis -sanavirherataulukossa, parantaen aiempien MAI-Transcribe‑versioiden tuloksia.
Microsoft asemoi mallin työkuormiin, kuten kliiniseen muistiinpanojen tekoon, oikeudelliseen dokumentointiin, saavutettavuuteen ja suljettuihin tekstityksiin. Yritys raportoi nopeammasta inferenssistä huomattavasti alhaisemmalla viiveellä, erityisesti pitkän muotoisen äänen kohdalla, jopa kymmenkertaiseen prosessointinopeuteen johtavia kilpailijoita verrattuna. Lisäksi kerrottiin, että malli säilyttää transkription laadun meluisissa olosuhteissa, jotka eivät ole hallituissa tallennusympäristöissä.
Vertailutulokset
Viittaamalla Artificial Analysisin suorittamiin arvioihin Microsoft kertoi, että MAI-Transcribe-2 on 10‑kertaista nopeampi kuin OpenAI:n GPT-Transcribe, 7‑kertaista nopeampi kuin ElevenLabsin Scribe v2 ja 5‑kertaista 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 olevan tarkempi kuin mikään muu malli useammassa kielessä, ja totesi, että useita kieliä transkriboivat kehittäjät voivat luottaa yhteen malliin, mikä vähentää monimutkaisuutta ja voi säästää GPU‑käyttöä. Ilmoituksessa todettiin myös, että mallin nopeus ja läpimeno mahdollistavat Microsoftin tarjoavan markkinoiden kilpailukykyisimmän hinnan. Julkaisun yhteydessä 0,10 USD:n tuntihinta on rajoitetun ajan tarjous, joka on voimassa vuoden loppuun asti.
Saatavuus ja kehittäjäominaisuudet
Microsoft Learn -dokumentaatio listaa MAI-Transcribe-2:n saatavilla Azure Speech -palvelussa julkisessa esikatselussa, ilman palvelutasosopimusta eikä suositella 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 äänivastaanottajat. Se listaa myös MAI-Transcribe-2:n yhdessä aikaisempien MAI-Transcribe-1.5‑ ja MAI-Transcribe-1‑versioiden 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. Äänisyötteet rajoittuvat enintään 300 MB:n tiedostoihin WAV-, MP3- tai FLAC-muodossa, ja käyttö edellyttää Azure‑tiliä sekä Microsoft Foundry -resurssia puheelle.
Valinnaiset parametrit hallitsevat mallin ominaisuuksia. Puheentunnistus (speaker diarization) jakaa tallenteen puheentunnistajan mukaan ja palauttaa puheentunnistajan merkitsemät segmentit aikaviive‑ ja kesto‑metatiedoilla. Sanatasoiset aikaleimat antavat ajoituksen jokaiselle sanalle, kun taas segmenttivaihtoehto antaa ajoituksen segmentti‑kohtaisesti ja none‑vaihtoehto jättää ajoitustiedot pois. Phrase‑list‑parametri suuntaa tunnistusta annettuihin termeihin, kuten alakohtaiseen terminologiaan, lyhenteisiin ja erisnimiin, ja dokumentaatiossa todetaan, että termit toimivat vihjeinä eivätkä pakota tulosta.
Transkriptio‑tyyliparametri on oletuksena verbatim, joka tallentaa puheen tarkalleen sellaisena kuin se on puhettu, mukaan lukien täytesanat ja aloitusvirheet, noudattamista, laadunvarmistusta ja analyysityökuormia varten. Clean‑asetus poistaa täytesanat ja automaattisesti muotoilee yleisiä puhekuvioita, jolloin syntyy luettavampia tekstityksiä, muistiinpanoja ja julkaistuja transkriptioita. Kielen valinta on valinnaista; 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 mallissa sisäänrakennettu.
Dokumentaatiossa todetaan myös, että MAI-Transcribe voi tarjota syöteäänen transkription Voice Live API:n kautta istunnon konfiguraatiokentän avulla. Microsoft kertoi, että malli on saatavilla demona Microsoft Foundryn, MAI Playgroundin ja OpenRouterin kautta.
