MAI-Transcribe-2 toppar FLEURS-benchmark över 60 språk, säger Microsoft

Microsoft AI lanserade MAI-Transcribe-2 den 3 september 2026, en taligenkänningsmodell som laboratoriet säger rankas först på FLEURS-benchmark över 60 språk med en genomsnittlig felordsfrekvens på 5,2 %. I sin annonsering beskrev Microsoft modellen som sitt mest kapabla transkriptionssystem hittills och prissatte den till $0,10 per timme ljud.

Microsoft uppgav att MAI-Transcribe-2 lägger till talardiarisering, konfigurerbara transkriptionsstilar och tidsstämplar på ordnivå, och överträffar konkurrerande modeller inklusive Gemini 3.5 Transcribe, GPT-Transcribe, Whisper V3-Large och ScribeV2 över ett bredare spektrum av verkligt ljud. Enligt meddelandet definierar modellen Pareto-gränsen för noggrannhet och latens på Artificial Analysis och hamnar på andra plats i Artificial Analysis felordsfrekvens‑topplista, vilket förbättrar resultaten från tidigare MAI-Transcribe‑versioner.

Microsoft placerade modellen för arbetsbelastningar såsom klinisk notering, juridisk dokumentation, tillgänglighet och undertextning. Företaget rapporterade snabbare inferens med avsevärt lägre latens, särskilt för långformigt ljud, med upp till tio gånger snabbare bearbetningshastighet än ledande konkurrenter. Det påstod också att modellen behåller transkriptionskvaliteten i bullriga förhållanden utanför kontrollerade inspelningsmiljöer.

Benchmark Results

Med hänvisning till utvärderingar utförda av Artificial Analysis sade Microsoft att MAI-Transcribe-2 är tio gånger snabbare än OpenAI:s GPT-Transcribe, sju gånger snabbare än ElevenLabs’ Scribe v2 och fem gånger snabbare än Gemini 3.5 Transcribe samtidigt som den levererar högre noggrannhet. Företaget uppgav att modellen ensam befinner sig i den mest attraktiva kvadranten i benchmarkens noggrannhet‑mot‑hastighets‑diagram, med en felprocent på 2,0 % och en hastighetsfaktor på 403,6, vilket innebär att en timme ljud återges på cirka tio sekunder.

På den offentliga flerspråkiga FLEURS-benchmarken rapporterade Microsoft att MAI-Transcribe-2 upprätthåller en konsekvent hög noggrannhetsnivå över alla 60 testade språk. Företaget beskrev modellen som exakt i fler språk än någon annan modell och sade att utvecklare som transkriberar på flera språk kan förlita sig på en enda modell, vilket minskar komplexiteten och potentiellt sparar GPU‑användning. Meddelandet konstaterar också att modellens hastighet och genomströmning gör det möjligt för Microsoft att erbjuda det de kallade det mest konkurrenskraftiga priset på marknaden. Vid lanseringen är timpriset $0,10 ett tidsbegränsat erbjudande som gäller till årets slut.

Tillgänglighet och utvecklarfunktioner

Microsoft Learn‑dokumentationen listar MAI-Transcribe-2 som tillgänglig i Azure Speech i offentlig förhandsgranskning, utan serviceavtal och rekommenderas inte för produktionsarbetsbelastningar. Dokumentationen beskriver MAI-Transcribe som en tal‑till‑text‑modell som byggts internt av Microsoft AI‑teamet och täcker arbetsbelastningar såsom videobeskrivning, möten, kliniska anteckningar, callcenter‑dokumentation, tillgänglighetsverktyg, innehållsskapande och röstagenter. Den listar också MAI-Transcribe-2 tillsammans med de tidigare MAI-Transcribe-1.5 och MAI-Transcribe-1, där den sistnämnda avvecklades den 20 augusti 2026.

Förfrågningar går via Fast Transcription API:s förbättrade läge, där modellen väljs genom att sätta egenskapen för förbättrat läge till MAI-Transcribe-2. Ljudinmatning är begränsad till filer under 300 MB i WAV-, MP3- eller FLAC-format, och användning kräver ett Azure‑abonnemang samt en Microsoft Foundry‑resurs för Speech.

Valfria parametrar styr modellens funktionsuppsättning. Talardiarisering delar upp en inspelning efter talare och returnerar talarmärkta segment med förskjutnings‑ och varaktighetsmetadata. Tidsstämplar på ordnivå ger tidpunkter för varje ord, medan ett segmentalternativ ger tid per segment och alternativet none utelämnar tidsdata. En phrase‑list‑parameter biasar igenkänning mot angivna termer såsom domänspecifik terminologi, förkortningar och egennamn, och dokumentationen noterar att termerna fungerar som ledtrådar snarare än tvingad utdata.

Transkriptionsstil‑parametern har som standard värdet verbatim, vilket fångar tal exakt som det uttalas, inklusive utfyllnadsord och felstarter, för efterlevnad, QA och analysarbetsbelastningar. En clean‑inställning tar bort utfyllnadsord och auto‑formaterar vanliga talmönster för att skapa mer läsbara undertexter, anteckningar och publicerade transkript. Språkvälj är valfritt; som standard upptäcker modellen automatiskt det talade språket, och dokumentationen rekommenderar att man tvingar ett specifikt språk endast när automatisk detektering misslyckas. Språkövergång för blandade språkkombinationer såsom Hinglish och Spanglish hanteras automatiskt, och brusrobusthet för ljud inspelat utanför kontrollerade miljöer är inneboende i modellen.

Dokumentationen noterar också att MAI-Transcribe kan leverera transkription av inmatningsljud i Voice Live‑API:t via ett sessionskonfigurationsfält. Microsoft sade att modellen är tillgänglig för demonstration via Microsoft Foundry och MAI Playground, samt OpenRouter.

Källor från originalartikeln: learn.microsoft.com [1]