Modelos e plataformas de IA
MAI-Transcribe-2 lidera o benchmark FLEURS em 60 idiomas, afirma a Microsoft
Adicione Unite.AI às suas fontes preferidas no Google
A Microsoft AI lançou o MAI-Transcribe-2 em 3 de setembro de 2026, um modelo de reconhecimento de fala que o laboratório afirmou ocupar o primeiro lugar no benchmark FLEURS em 60 idiomas, com uma taxa média de erro de palavras de 5,2 %. Em seu anúncio, a Microsoft descreveu o modelo como seu sistema de transcrição mais avançado até hoje e o precificou em US$ 0,10 por hora de áudio.
A Microsoft informou que o MAI-Transcribe-2 inclui diarização de falantes, estilos de transcrição configuráveis e marcações de tempo ao nível de palavra, e supera modelos concorrentes como Gemini 3.5 Transcribe, GPT-Transcribe, Whisper V3-Large e ScribeV2 em uma gama mais ampla de áudio do mundo real. Segundo o anúncio, o modelo define a fronteira de Pareto em termos de precisão e latência na Artificial Analysis e ocupa a segunda posição no ranking de taxa de erro de palavras da Artificial Analysis, melhorando os resultados das versões anteriores do MAI-Transcribe.
A Microsoft posicionou o modelo para cargas de trabalho como tomada de notas clínicas, documentação jurídica, acessibilidade e legendagem fechada. A empresa relatou inferência mais rápida com latência substancialmente menor, especialmente para áudio de longa duração, atingindo até 10 vezes a velocidade de processamento dos principais concorrentes. Também afirmou que o modelo mantém a qualidade da transcrição em condições ruidosas fora de ambientes de gravação controlados.
Resultados de Benchmark
Citando avaliações realizadas pela Artificial Analysis, a Microsoft afirmou que o MAI-Transcribe-2 é 10 vezes mais rápido que o GPT-Transcribe da OpenAI, 7 vezes mais rápido que o Scribe v2 da ElevenLabs e 5 vezes mais rápido que o Gemini 3.5 Transcribe, ao mesmo tempo em que oferece maior precisão. A empresa disse que o modelo ocupa sozinho o quadrante mais atraente do gráfico de precisão versus velocidade do benchmark, com uma taxa de erro de 2,0 % e um fator de velocidade de 403,6, o que significa que uma hora de áudio é processada em cerca de dez segundos.
No benchmark público multilíngue FLEURS, a Microsoft informou que o MAI-Transcribe-2 mantém um nível de precisão consistentemente alto em todos os 60 idiomas testados. A empresa descreveu o modelo como preciso em mais idiomas do que qualquer outro modelo e afirmou que desenvolvedores que transcrevem em múltiplos idiomas podem contar com um único modelo, reduzindo a complexidade e potencialmente economizando uso de GPU. O anúncio também afirma que a velocidade e a taxa de transferência do modelo permitem à Microsoft oferecer o que chamou de preço mais competitivo do mercado. No lançamento, a tarifa de US$ 0,10 por hora é uma oferta por tempo limitado que vai até o final do ano.
Disponibilidade e Recursos para Desenvolvedores
A documentação do Microsoft Learn lista o MAI-Transcribe-2 como disponível no Azure Speech em pré‑visualização pública, sem acordo de nível de serviço e não recomendado para cargas de trabalho de produção. A documentação descreve o MAI-Transcribe como um modelo de fala‑para‑texto desenvolvido internamente pela equipe Microsoft AI, abrangendo cargas de trabalho como legendagem de vídeo, reuniões, notas clínicas, documentação de call center, ferramentas de acessibilidade, criação de conteúdo e agentes de voz. Também lista o MAI-Transcribe-2 ao lado das versões anteriores MAI-Transcribe-1.5 e MAI-Transcribe-1, esta última descontinuada em 20 de agosto de 2026.
As solicitações são encaminhadas através do modo aprimorado da Fast Transcription API, com o modelo selecionado ao definir a propriedade de modelo do modo aprimorado para MAI-Transcribe-2. A entrada de áudio está limitada a arquivos com menos de 300 MB nos formatos WAV, MP3 ou FLAC, e o uso requer uma assinatura Azure e um recurso Microsoft Foundry para Speech.
Parâmetros opcionais controlam o conjunto de recursos do modelo. A diarização de falantes segmenta uma gravação por falante e devolve segmentos rotulados com o falante, incluindo metadados de deslocamento e duração. Marcações de tempo ao nível de palavra fornecem o tempo de cada palavra, enquanto a opção de segmento devolve o tempo por segmento e a opção nenhuma omite os dados de tempo. Um parâmetro de lista de frases direciona o reconhecimento para termos fornecidos, como terminologia específica de domínio, abreviações e nomes próprios, sendo que a documentação observa que esses termos funcionam como sugestões, não como saída forçada.
O parâmetro de estilo de transcrição tem como padrão o verbatim, que captura a fala exatamente como dita, incluindo palavras de preenchimento e inícios falsos, para cargas de trabalho de conformidade, controle de qualidade e análise. A configuração clean remove os preenchimentos e formata automaticamente padrões de fala comuns para produzir legendas, notas e transcrições publicadas mais legíveis. A seleção de idioma é opcional; por padrão o modelo detecta automaticamente o idioma falado, e a documentação recomenda forçar um idioma específico somente quando a detecção automática falha. A alternância de código para pares de idiomas mistos, como Hinglish e Spanglish, é tratada automaticamente, e a robustez ao ruído para áudio gravado fora de ambientes controlados é inerente ao modelo.
A documentação também observa que o MAI-Transcribe pode fornecer transcrição de áudio de entrada na Voice Live API por meio de um campo de configuração de sessão. A Microsoft afirmou que o modelo está disponível para demonstração através do Microsoft Foundry e do MAI Playground, e do OpenRouter.
