MAI-Transcribe-2 conduce benchmark-ul FLEURS în 60 de limbi, spune Microsoft

Microsoft AI a lansat MAI-Transcribe-2 pe 3 septembrie 2026, un model de recunoaștere a vorbirii pe care laboratorul a declarat că ocupă primul loc în benchmark-ul FLEURS în 60 de limbi, cu o rată medie de eroare a cuvintelor de 5,2 %. În anunțul său, Microsoft a descris modelul ca fiind cel mai capabil sistem de transcriere de până acum și l-a cotat la $0.10 pe oră de audio.

Microsoft a declarat că MAI-Transcribe-2 adaugă diarizare a vorbitorilor, stiluri de transcriere configurabile și marcaje de timp la nivel de cuvânt, și depășește modelele concurente, inclusiv Gemini 3.5 Transcribe, GPT-Transcribe, Whisper V3-Large și ScribeV2, pe o gamă mai largă de audio din viața reală. Conform anunțului, modelul definește frontiera Pareto pentru acuratețe și latență în Artificial Analysis și ocupă locul al doilea în clasamentul ratei de eroare a cuvintelor al Artificial Analysis, îmbunătățind rezultatele versiunilor anterioare ale MAI-Transcribe.

Microsoft a poziționat modelul pentru sarcini precum luarea de notițe clinice, documentație juridică, accesibilitate și subtitrări închise. Compania a raportat inferență mai rapidă cu latență semnificativ redusă, în special pentru audio de lungă durată, cu o viteză de procesare de până la de 10 ori mai mare decât cea a principalilor concurenți. De asemenea, a precizat că modelul menține calitatea transcrierii în condiții zgomotoase în afara mediilor de înregistrare controlate.

Rezultatele benchmark-ului

Făcând referire la evaluările efectuate de Artificial Analysis, Microsoft a declarat că MAI-Transcribe-2 este de 10 ori mai rapid decât GPT-Transcribe de la OpenAI, de 7 ori mai rapid decât Scribe v2 de la ElevenLabs și de 5 ori mai rapid decât Gemini 3.5 Transcribe, oferind în același timp o acuratețe superioară. Compania a precizat că modelul ocupă singur cadranul cel mai atractiv din diagrama benchmark-ului privind acuratețea versus viteză, având o rată de eroare de 2,0 % și un factor de viteză de 403,6, ceea ce înseamnă că o oră de audio este procesată în aproximativ zece secunde.

În cadrul benchmark-ului public multilingv FLEURS, Microsoft a raportat că MAI-Transcribe-2 menține un nivel de acuratețe constant ridicat în toate cele 60 de limbi testate. Compania a descris modelul ca fiind precis în mai multe limbi decât orice alt model și a afirmat că dezvoltatorii care transcriu în mai multe limbi pot conta pe un singur model, reducând complexitatea și economisind potențial utilizarea GPU‑urilor. Anunțul precizează, de asemenea, că viteza și debitul modelului permit Microsoft să ofere ceea ce a numit cel mai competitiv preț de pe piață. La lansare, tariful de $0.10 pe oră este o ofertă limitată până la sfârșitul anului.

Disponibilitate și funcții pentru dezvoltatori

Documentația Microsoft Learn enumeră MAI-Transcribe-2 ca fiind disponibil în Azure Speech în previzualizare publică, fără un acord de nivel de serviciu și nu este recomandat pentru sarcini de producție. Documentația descrie MAI-Transcribe ca un model de conversie a vorbirii în text dezvoltat intern de echipa Microsoft AI, acoperind sarcini precum subtitrarea video, întâlniri, notițe clinice, documentație pentru call‑center, instrumente de accesibilitate, crearea de conținut și agenți vocali. De asemenea, enumeră MAI‑Transcribe‑2 alături de versiunile anterioare MAI‑Transcribe‑1.5 și MAI‑Transcribe‑1, această din urmă fiind depreciată la 20 august 2026.

Cererile sunt direcționate prin modul îmbunătățit al Fast Transcription API, modelul fiind selectat prin setarea proprietății modelului în modul îmbunătățit la MAI-Transcribe-2. Intrarea audio este limitată la fișiere sub 300 MB în format WAV, MP3 sau FLAC, iar utilizarea necesită un abonament Azure și o resursă Microsoft Foundry pentru Speech.

Parametrii opționali controlează setul de funcționalități al modelului. Diarizarea vorbitorilor segmentează o înregistrare pe vorbitori și returnează segmente etichetate cu vorbitorul, împreună cu metadatele de offset și durată. Marcajele de timp la nivel de cuvânt oferă sincronizarea pentru fiecare cuvânt, în timp ce opțiunea segment returnează sincronizarea pe segment, iar opțiunea none omite datele de timp. Parametrul phrase‑list influențează recunoașterea spre termeni furnizați, cum ar fi terminologia specifică domeniului, abrevieri și nume proprii, documentația menționând că acești termeni funcționează ca indicii, nu ca output forțat.

Parametrul de stil al transcrierii are implicit valoarea verbatim, care surprinde vorbirea exact așa cum este rostită, inclusiv cuvintele de umplutură și începuturile false, pentru sarcini de conformitate, control al calității și analiză. Setarea clean elimină umpluturile și formatează automat tiparele comune de vorbire pentru a produce subtitrări, note și transcrieri publicate mai ușor de citit. Selecția limbii este opțională; implicit, modelul detectează automat limba vorbită, iar documentația recomandă impunerea unei limbi specifice numai când detectarea automată eșuează. Comutarea de cod pentru combinații de limbi precum Hinglish și Spanglish este gestionată automat, iar rezistența la zgomot pentru audio înregistrat în afara mediilor controlate este inerentă modelului.

Documentația mai menționează că MAI-Transcribe poate furniza transcrierea audio de intrare în Voice Live API printr-un câmp de configurare a sesiunii. Microsoft a declarat că modelul este disponibil pentru demonstrație prin Microsoft Foundry și MAI Playground, precum și prin OpenRouter.

Sursele articolului original: microsoft.ai [1] · learn.microsoft.com [2]