MAI-Transcribe-2 domina il benchmark FLEURS in 60 lingue, afferma Microsoft

Microsoft AI ha rilasciato MAI-Transcribe-2 il 3 settembre 2026, un modello di riconoscimento vocale che il laboratorio ha dichiarato primo nel benchmark FLEURS su 60 lingue con un tasso medio di errore di parole del 5,2 %. Nel suo annuncio, Microsoft ha descritto il modello come il più avanzato sistema di trascrizione mai realizzato e lo ha prezzato a $0,10 per ora di audio.

Microsoft ha dichiarato che MAI-Transcribe-2 aggiunge la diarizzazione dei relatori, stili di trascrizione configurabili e timestamp a livello di parola, e supera i modelli concorrenti tra cui Gemini 3.5 Transcribe, GPT-Transcribe, Whisper V3‑Large e ScribeV2 su un più ampio spettro di audio reali. Secondo l’annuncio, il modello definisce la frontiera di Pareto per accuratezza e latenza su Artificial Analysis e si classifica al secondo posto nella classifica del tasso di errore di parole di Artificial Analysis, migliorando i risultati delle versioni precedenti di MAI-Transcribe.

Microsoft ha posizionato il modello per carichi di lavoro quali la presa di appunti clinici, la documentazione legale, l’accessibilità e i sottotitoli. L’azienda ha segnalato inferenze più rapide con latenza notevolmente inferiore, soprattutto per audio di lunga durata, fino a 10 volte la velocità di elaborazione dei principali concorrenti. Ha inoltre affermato che il modello mantiene la qualità della trascrizione in condizioni rumorose al di fuori di ambienti di registrazione controllati.

Risultati del benchmark

Citandosi alle valutazioni effettuate da Artificial Analysis, Microsoft ha affermato che MAI-Transcribe-2 è 10 volte più veloce del GPT-Transcribe di OpenAI, 7 volte più veloce del Scribe v2 di ElevenLabs e 5 volte più veloce del Gemini 3.5 Transcribe, mantenendo un’accuratezza superiore. L’azienda ha dichiarato che il modello occupa da solo il quadrante più interessante del grafico accuratezza‑vs‑velocità del benchmark, con un tasso di errore del 2,0 % e un fattore di velocità di 403,6, il che significa che un’ora di audio viene restituita in circa dieci secondi.

Nel benchmark multilingue pubblico FLEURS, Microsoft ha riferito che MAI-Transcribe-2 mantiene un livello di accuratezza costantemente elevato su tutte le 60 lingue testate. L’azienda ha descritto il modello come più preciso su un numero di lingue superiore a qualsiasi altro modello e ha affermato che gli sviluppatori che trascrivono in più lingue possono fare affidamento su un unico modello, riducendo la complessità e potenzialmente risparmiando utilizzo della GPU. L’annuncio segnala inoltre che la velocità e la capacità di elaborazione del modello consentono a Microsoft di offrire quello che ha definito il prezzo più competitivo sul mercato. Al lancio, la tariffa oraria di $0,10 è un’offerta a tempo limitato valida fino alla fine dell’anno.

Disponibilità e funzionalità per gli sviluppatori

La documentazione Microsoft Learn elenca MAI-Transcribe-2 come disponibile in Azure Speech in anteprima pubblica, senza un accordo sul livello di servizio e non consigliato per carichi di lavoro di produzione. La documentazione descrive MAI-Transcribe come un modello speech‑to‑text sviluppato internamente dal team Microsoft AI, che copre carichi di lavoro quali la generazione di sottotitoli video, riunioni, note cliniche, documentazione per call center, strumenti di accessibilità, creazione di contenuti e agenti vocali. Elenca inoltre MAI-Transcribe-2 accanto alle versioni precedenti MAI-Transcribe-1.5 e MAI-Transcribe-1, quest’ultima deprecata il 20 agosto 2026.

Le richieste passano attraverso la modalità avanzata dell’API Fast Transcription, con il modello selezionato impostando la proprietà del modello in modalità avanzata su MAI-Transcribe-2. L’ingresso audio è limitato a file inferiori a 300 MB nei formati WAV, MP3 o FLAC, e l’utilizzo richiede un abbonamento Azure e una risorsa Microsoft Foundry per Speech.

I parametri opzionali controllano il set di funzionalità del modello. La diarizzazione dei relatori segmenta una registrazione per relatore e restituisce segmenti etichettati con metadati di offset e durata. I timestamp a livello di parola forniscono la temporizzazione per ogni parola, mentre l’opzione segment restituisce la temporizzazione per segmento e l’opzione none omette i dati temporali. Un parametro phrase‑list orienta il riconoscimento verso termini forniti, come terminologia specifica del dominio, abbreviazioni e nomi propri, con la documentazione che osserva che i termini fungono da suggerimenti piuttosto che da output forzato.

Il parametro di stile di trascrizione predefinito è verbatim, che cattura il discorso esattamente come pronunciato, includendo parole di riempimento e falsi inizi, per carichi di lavoro di conformità, QA e analisi. L’impostazione clean rimuove i riempimenti e formatta automaticamente i pattern di discorso comuni per produrre sottotitoli, note e trascrizioni pubblicate più leggibili. La selezione della lingua è opzionale; per impostazione predefinita il modello rileva automaticamente la lingua parlata, e la documentazione consiglia di forzare una lingua specifica solo quando il rilevamento automatico fallisce. Il passaggio di codice per coppie linguistiche miste come Hinglish e Spanglish è gestito automaticamente, e la robustezza al rumore per audio registrati al di fuori di ambienti controllati è intrinseca al modello.

La documentazione osserva inoltre che MAI-Transcribe può fornire la trascrizione dell’audio di input nell’API Voice Live tramite un campo di configurazione della sessione. Microsoft ha dichiarato che il modello è disponibile per la demo tramite Microsoft Foundry e il MAI Playground, e OpenRouter.

Fonti dell’articolo originale: microsoft.ai [1] · learn.microsoft.com [2]