Модели и платформы ИИ
MAI-Transcribe-2 возглавил рейтинг FLEURS по 60 языкам, сообщает Microsoft
Добавьте Unite.AI в избранные источники в Google
Microsoft AI выпустила MAI-Transcribe-2 3 сентября 2026 г., модель распознавания речи, которую лаборатория заявила первой в бенчмарке FLEURS по 60 языкам со средним уровнем ошибок слов в 5,2 %. В объявлении Microsoft описала модель как самую продвинутую систему транскрипции на сегодняшний день и назвала её стоимость 0,10 доллара США за час аудио.
Microsoft заявила, что MAI-Transcribe-2 добавляет диаризацию говорящих, настраиваемые стили транскрипции и метки времени на уровне слов, а также опережает конкурирующие модели, включая Gemini 3.5 Transcribe, GPT-Transcribe, Whisper V3‑Large и ScribeV2, в более широком диапазоне реального аудио. По данным объявления, модель задаёт границу Парето по точности и задержке в Artificial Analysis и занимает второе место в таблице лидеров по уровню ошибок слов в Artificial Analysis, улучшив результаты предыдущих версий MAI-Transcribe.
Microsoft позиционирует модель для задач, включая ведение клинических записей, юридическую документацию, обеспечение доступности и создание субтитров. Компания сообщила о более быстрой инференции с существенно меньшей задержкой, особенно для длительного аудио, достигая до 10‑кратного ускорения обработки по сравнению с ведущими конкурентами. Также было отмечено, что модель сохраняет качество транскрипции в шумных условиях вне контролируемых записывающих сред.
Результаты бенчмарка
Ссылаясь на оценки, проведённые Artificial Analysis, Microsoft заявила, что MAI-Transcribe-2 в 10 раз быстрее, чем GPT-Transcribe от OpenAI, в 7 раз быстрее, чем Scribe v2 от ElevenLabs, и в 5 раз быстрее, чем Gemini 3.5 Transcribe, при этом обеспечивая более высокую точность. Компания отметила, что модель занимает единственное место в наиболее привлекательном квадранте графика точность‑против‑скорость бенчмарка, с уровнем ошибок 2,0 % и коэффициентом скорости 403,6, что означает, что час аудио обрабатывается примерно за десять секунд.
В публичном многоязычном бенчмарке FLEURS Microsoft сообщила, что MAI-Transcribe-2 стабильно демонстрирует высокий уровень точности по всем 60 протестированным языкам. Компания охарактеризовала модель как более точную по количеству поддерживаемых языков, чем любые другие модели, и заявила, что разработчики, работающие с несколькими языками, могут полагаться на одну модель, снижая сложность и потенциально экономя ресурсы GPU. В объявлении также указано, что скорость и пропускная способность модели позволяют Microsoft предлагать то, что она назвала самой конкурентоспособной ценой на рынке. При запуске тариф в 0,10 доллара США за час действует ограниченно до конца года.
Доступность и возможности для разработчиков
В документации Microsoft Learn указывается, что MAI-Transcribe-2 доступен в Azure Speech в публичном предварительном просмотре, без соглашения об уровне обслуживания и не рекомендуется для производственных нагрузок. В документации описывается MAI-Transcribe как модель преобразования речи в текст, разработанная внутри команды Microsoft AI, охватывающая такие задачи, как субтитрование видео, встречи, клинические заметки, документация колл‑центров, инструменты доступности, создание контента и голосовые агенты. Также в ней перечислены MAI-Transcribe-2 вместе с более ранними версиями MAI-Transcribe‑1.5 и MAI‑Transcribe‑1, последняя из которых была прекращена 20 августа 2026 г.
Запросы направляются через улучшенный режим Fast Transcription API, при этом модель выбирается установкой свойства модели в улучшенном режиме в значение MAI-Transcribe-2. Ввод аудио ограничен файлами размером менее 300 МБ в форматах WAV, MP3 или FLAC, и для использования требуется подписка Azure и ресурс Microsoft Foundry для Speech.
Опциональные параметры управляют набором функций модели. Диаризация говорящих разбивает запись по говорящим и возвращает сегменты с метками говорящего, а также смещение и длительность. Метки времени на уровне слов предоставляют тайминг для каждого слова, в то время как параметр segment возвращает тайминг по сегментам, а параметр none исключает данные о времени. Параметр phrase‑list смещает распознавание в сторону заданных терминов, таких как отраслевые термины, аббревиатуры и собственные имена; в документации отмечено, что термины служат подсказками, а не принудительным выводом.
Параметр стиля транскрипции по умолчанию установлен в verbatim, что фиксирует речь точно так, как она произнесена, включая слова‑заполнители и ложные начала, что полезно для соответствия требованиям, контроля качества и аналитических задач. Настройка clean удаляет заполнители и автоматически форматирует типичные речевые шаблоны, создавая более читаемые субтитры, заметки и опубликованные транскрипты. Выбор языка является опциональным; по умолчанию модель автоматически определяет язык речи, и в документации рекомендуется принудительно задавать язык только в случае сбоя автоопределения. Переключение кода для смешанных языковых пар, таких как хинглиш и спанглиш, обрабатывается автоматически, а устойчивость к шуму для аудио, записанного вне контролируемых условий, встроена в модель.
В документации также отмечено, что MAI-Transcribe может предоставлять транскрипцию входного аудио в Voice Live API через поле конфигурации сеанса. Microsoft заявила, что модель доступна для демонстрации через Microsoft Foundry и MAI Playground, а также OpenRouter.
