MAI-Transcribe-2 zdobywa pierwsze miejsce w benchmarku FLEURS w 60 językach, twierdzi Microsoft

Microsoft AI wypuścił MAI-Transcribe-2 3 września 2026 r., model rozpoznawania mowy, o którym laboratorium poinformowało, że zajmuje pierwsze miejsce w benchmarku FLEURS w 60 językach, osiągając średni wskaźnik błędów słów na poziomie 5,2 %. W swoim ogłoszeniu, Microsoft opisał model jako najbardziej zaawansowany system transkrypcji dotychczas oraz wycenił go na $0.10 za godzinę nagrania.

Microsoft poinformował, że MAI-Transcribe-2 dodaje diarizację mówcy, konfigurowalne style transkrypcji oraz znaczniki czasu na poziomie słowa, i przewyższa konkurencyjne modele, w tym Gemini 3.5 Transcribe, GPT-Transcribe, Whisper V3-Large i ScribeV2, w szerszym zakresie rzeczywistych nagrań audio. Zgodnie z ogłoszeniem, model wyznacza granicę Pareto pod względem dokładności i opóźnienia w Artificial Analysis oraz zajmuje drugie miejsce w rankingu wskaźnika błędów słów Artificial Analysis, poprawiając wyniki wcześniejszych wersji MAI-Transcribe.

Microsoft skierował model do zastosowań takich jak tworzenie notatek klinicznych, dokumentacja prawna, dostępność oraz napisy zamknięte. Firma zgłosiła szybsze wnioskowanie przy znacznie niższym opóźnieniu, szczególnie w przypadku długich nagrań, osiągając nawet 10‑krotną prędkość przetwarzania w porównaniu z wiodącymi konkurentami. Stwierdzono również, że model utrzymuje jakość transkrypcji w hałaśliwych warunkach poza kontrolowanymi środowiskami nagraniowymi.

Wyniki benchmarku

Cytując oceny przeprowadzone przez Artificial Analysis, Microsoft poinformował, że MAI-Transcribe-2 jest 10‑krotnie szybszy niż GPT-Transcribe firmy OpenAI, 7‑krotnie szybszy niż Scribe v2 od ElevenLabs oraz 5‑krotnie szybszy niż Gemini 3.5 Transcribe, jednocześnie zapewniając wyższą dokładność. Firma zaznaczyła, że model znajduje się sam w najbardziej atrakcyjnym kwadrancie wykresu benchmarku dokładność‑vs‑prędkość, z wskaźnikiem błędu 2,0 % i współczynnikiem prędkości 403,6, co oznacza, że godzina nagrania zostaje przetworzona w około dziesięć sekund.

W publicznym, wielojęzycznym benchmarku FLEURS Microsoft zgłosił, że MAI-Transcribe-2 utrzymuje konsekwentnie wysoki poziom dokładności we wszystkich 60 testowanych językach. Firma opisała model jako dokładny w większej liczbie języków niż jakikolwiek inny model i stwierdziła, że programiści transkrybujący w wielu językach mogą polegać na jednym modelu, co redukuje złożoność i potencjalnie oszczędza wykorzystanie GPU. Ogłoszenie podkreśla również, że prędkość i przepustowość modelu pozwalają Microsoftowi zaoferować to, co nazwano najkonkurencyjniejszą ceną na rynku. Przy uruchomieniu stawka $0.10 za godzinę jest ofertą ograniczoną czasowo, obowiązującą do końca roku.

Dostępność i funkcje dla deweloperów

Dokumentacja Microsoft Learn wymienia MAI-Transcribe-2 jako dostępny w Azure Speech w publicznym podglądzie, bez umowy SLA i niezalecany do obciążeń produkcyjnych. Dokumentacja opisuje MAI-Transcribe jako model speech‑to‑text opracowany wewnętrznie przez zespół Microsoft AI, obejmujący obciążenia takie jak napisy do wideo, spotkania, notatki kliniczne, dokumentacja call center, narzędzia dostępności, tworzenie treści oraz agenci głosowi. Wymienia również MAI-Transcribe-2 obok wcześniejszych MAI-Transcribe-1.5 i MAI-Transcribe-1, przy czym ten ostatni został wycofany 20 sierpnia 2026 r.

Żądania przechodzą przez tryb ulepszony Fast Transcription API, przy czym model jest wybierany poprzez ustawienie właściwości modelu trybu ulepszonego na MAI-Transcribe-2. Wejście audio jest ograniczone do plików poniżej 300 MB w formacie WAV, MP3 lub FLAC, a korzystanie wymaga subskrypcji Azure oraz zasobu Microsoft Foundry dla usługi Speech.

Opcjonalne parametry sterują zestawem funkcji modelu. Diarizacja mówcy segmentuje nagranie według mówcy i zwraca segmenty oznaczone etykietą mówcy wraz z metadanymi offsetu i czasu trwania. Znaczniki czasu na poziomie słowa zwracają czas dla każdego słowa, podczas gdy opcja segment zwraca czas dla każdego segmentu, a opcja none pomija dane czasowe. Parametr phrase‑list wpływa na rozpoznawanie, faworyzując podane terminy, takie jak specyficzna terminologia branżowa, skróty i nazwy własne; dokumentacja zauważa, że terminy działają jako wskazówki, a nie wymuszone wyjście.

Parametr stylu transkrypcji domyślnie ustawiony jest na verbatim, co rejestruje mowę dokładnie tak, jak została wypowiedziana, włączając wypełniacze i fałszywe początki, co jest przydatne w zastosowaniach zgodności, kontroli jakości i analiz. Ustawienie clean usuwa wypełniacze i automatycznie formatuje typowe wzorce mowy, aby uzyskać bardziej czytelne napisy, notatki i opublikowane transkrypty. Wybór języka jest opcjonalny; domyślnie model automatycznie wykrywa język mowy, a dokumentacja zaleca wymuszenie konkretnego języka tylko wtedy, gdy automatyczne wykrycie zawiedzie. Przełączanie kodów dla mieszanych par językowych, takich jak Hinglish i Spanglish, jest obsługiwane automatycznie, a odporność na szumy w nagraniach poza kontrolowanymi środowiskami jest wbudowana w model.

Dokumentacja dodatkowo zauważa, że MAI-Transcribe może zapewniać transkrypcję wejściowego audio w Voice Live API poprzez pole konfiguracji sesji. Microsoft poinformował, że model jest dostępny do demonstracji poprzez Microsoft Foundry oraz MAI Playground, a także OpenRouter.