MAI-Transcribe-2 ครองอันดับสูงสุดในการทดสอบ FLEURS ครอบคลุม 60 ภาษา, Microsoft กล่าว

Microsoft AI เปิดตัว MAI-Transcribe-2 เมื่อวันที่ 3 กันยายน 2026 ซึ่งเป็นโมเดลการรู้จำเสียงพูดที่ห้องทดลองระบุว่าได้อันดับหนึ่งในการทดสอบ FLEURS ครอบคลุม 60 ภาษาโดยมีอัตราความผิดพลาดของคำเฉลี่ย 5.2% ใน ประกาศของบริษัท Microsoft อธิบายว่าโมเดลนี้เป็นระบบการถอดข้อความที่มีความสามารถที่สุดจนถึงปัจจุบันและกำหนดราคาไว้ที่ $0.10 ต่อชั่วโมงของเสียง

Microsoft ระบุว่า MAI-Transcribe-2 มีฟีเจอร์การแยกผู้พูด (speaker diarization) การปรับสไตล์การถอดข้อความได้ตามต้องการและการใส่เวลาในระดับคำ พร้อมทั้งทำผลงานดีกว่าโมเดลคู่แข่งอื่น ๆ เช่น Gemini 3.5 Transcribe, GPT-Transcribe, Whisper V3-Large และ ScribeV2 ในช่วงเสียงจริงที่หลากหลายมากขึ้น ตามประกาศ โมเดลนี้กำหนดขอบเขตพาเรโตสำหรับความแม่นยำและความหน่วงเวลาใน Artificial Analysis และได้อันดับสองในลีดเดอร์บอร์ดอัตราความผิดพลาดของคำของ Artificial Analysis, ปรับปรุงผลลัพธ์จากรุ่น MAI-Transcribe ก่อนหน้า

Microsoft วางตำแหน่งโมเดลนี้สำหรับงานต่าง ๆ เช่น การบันทึกบันทึกทางคลินิก, เอกสารทางกฎหมาย, การเข้าถึงสำหรับผู้พิการ, และการใส่คำบรรยายปิด. บริษัทรายงานว่าการสรุปผลทำได้เร็วขึ้นโดยมีความหน่วงต่ำอย่างมาก โดยเฉพาะสำหรับเสียงแบบยาวถึง 10 เท่าของความเร็วการประมวลผลของคู่แข่งชั้นนำ นอกจากนี้ยังระบุว่าโมเดลยังคงรักษาคุณภาพการถอดข้อความได้ในสภาพเสียงรบกวนที่บันทึกนอกสภาพแวดล้อมที่ควบคุม

ผลการทดสอบ

อ้างอิงการประเมินจาก Artificial Analysis, Microsoft กล่าวว่า MAI-Transcribe-2 เร็วกว่า GPT-Transcribe ของ OpenAI ถึง 10 เท่า, เร็วกว่า Scribe v2 ของ ElevenLabs ถึง 7 เท่า, และเร็วกว่า Gemini 3.5 Transcribe ถึง 5 เท่า พร้อมด้วยความแม่นยำที่สูงกว่า บริษัทระบุว่าโมเดลนี้อยู่คนเดียวในควอดรันท์ที่น่าสนใจที่สุดของแผนภูมิความแม่นยำต่อความเร็วของการทดสอบ โดยมีอัตราความผิดพลาด 2.0% และปัจจัยความเร็ว 403.6 ซึ่งหมายความว่าเสียงหนึ่งชั่วโมงจะได้ผลลัพธ์ในประมาณสิบวินาที

ในการทดสอบ FLEURS แบบหลายภาษาแบบสาธารณะ, Microsoft รายงานว่า MAI-Transcribe-2 มีระดับความแม่นยำสูงอย่างต่อเนื่องในทุก 60 ภาษาที่ทดสอบ บริษัทอธิบายว่าโมเดลนี้แม่นยำกว่าในจำนวนภาษามากกว่ารุ่นใด ๆ และกล่าวว่าผู้พัฒนาที่ต้องถอดข้อความหลายภาษา สามารถพึ่งพาโมเดลเดียวได้ ลดความซับซ้อนและอาจประหยัดการใช้ GPU การประกาศยังระบุว่าความเร็วและอัตราการประมวลผลของโมเดลทำให้ Microsoft สามารถนำเสนอราคาที่เรียกว่าเป็นราคาที่แข่งขันที่สุดในตลาด ในช่วงเปิดตัว ราคา $0.10 ต่อชั่วโมงเป็นข้อเสนอจำกัดเวลาที่ดำเนินจนถึงสิ้นปี

การพร้อมใช้งานและคุณลักษณะสำหรับนักพัฒนา

เอกสาร Microsoft Learn ระบุว่า MAI-Transcribe-2 มีให้ใช้ใน Azure Speech ในรูปแบบพรีวิวสาธารณะ โดยไม่มีข้อตกลงระดับบริการและไม่แนะนำให้ใช้ในงานผลิตจริง เอกสารอธิบายว่า MAI-Transcribe เป็นโมเดลการแปลงเสียงเป็นข้อความที่พัฒนาโดยทีม Microsoft AI ครอบคลุมงานต่าง ๆ เช่น การใส่คำบรรยายวิดีโอ, การประชุม, บันทึกทางคลินิก, การบันทึกศูนย์บริการลูกค้า, เครื่องมือการเข้าถึง, การสร้างเนื้อหา, และเอเจนต์เสียง นอกจากนี้ยังระบุ MAI-Transcribe-2 ควบคู่กับรุ่นก่อนหน้า MAI-Transcribe-1.5 และ MAI-Transcribe-1 ซึ่งรุ่นหลังถูกยกเลิกการสนับสนุนเมื่อ 20 สิงหาคม 2026

คำขอจะถูกส่งผ่านโหมดที่ปรับปรุงของ Fast Transcription API โดยเลือกโมเดลโดยตั้งค่าคุณสมบัติโมเดลโหมดที่ปรับปรุงเป็น MAI-Transcribe-2 อินพุตเสียงจำกัดที่ไฟล์ขนาดไม่เกิน 300 MB ในรูปแบบ WAV, MP3 หรือ FLAC และการใช้งานต้องมีการสมัครสมาชิก Azure พร้อมทรัพยากร Microsoft Foundry สำหรับ Speech

พารามิเตอร์ทางเลือกจะควบคุมชุดฟีเจอร์ของโมเดล การแยกผู้พูด (speaker diarization) แบ่งการบันทึกตามผู้พูดและคืนส่วนที่มีการระบุผู้พูดพร้อมข้อมูลเมตาออฟเซ็ตและระยะเวลา การใส่เวลาในระดับคำจะให้เวลาสำหรับทุกคำ ส่วนตัวเลือก segment จะให้เวลาตามส่วน และตัวเลือก none จะไม่ใส่ข้อมูลเวลา พารามิเตอร์ phrase-list จะทำให้การจดจำเอียงไปทางคำที่ระบุ เช่น คำศัพท์เฉพาะด้าน, คำย่อ, และคำนามเฉพาะ โดยเอกสารระบุว่าคำเหล่านี้ทำหน้าที่เป็นคำแนะนำ ไม่ใช่ผลลัพธ์ที่บังคับ

พารามิเตอร์สไตล์การถอดข้อความมีค่าเริ่มต้นเป็น verbatim ซึ่งบันทึกเสียงตามที่พูดอย่างตรงไปตรงมา รวมถึงคำเติมและการเริ่มต้นที่ผิดพลาด เพื่อการปฏิบัติตาม, QA, และการวิเคราะห์ การตั้งค่า clean จะลบคำเติมและจัดรูปแบบอัตโนมัติของรูปแบบการพูดทั่วไปเพื่อสร้างคำบรรยาย, โน้ต, และข้อความที่ตีพิมพ์ที่อ่านง่ายขึ้น การเลือกภาษาเป็นทางเลือก; โดยค่าเริ่มต้นโมเดลจะตรวจจับภาษาที่พูดโดยอัตโนมัติ และเอกสารแนะนำให้บังคับใช้ภาษาที่เฉพาะเจาะจงเฉพาะเมื่อการตรวจจับอัตโนมัติล้มเหลว การสลับโค้ดสำหรับคู่ภาษาที่ผสมเช่น Hinglish และ Spanglish จะจัดการโดยอัตโนมัติ และความทนทานต่อเสียงรบกวนสำหรับเสียงที่บันทึกนอกสภาพแวดล้อมที่ควบคุมเป็นคุณสมบัติตามมาของโมเดล

เอกสารยังระบุว่า MAI-Transcribe สามารถให้การถอดข้อความเสียงอินพุตใน Voice Live API ผ่านฟิลด์การกำหนดค่าการเซสชัน Microsoft กล่าวว่าโมเดลนี้พร้อมให้ทดลองผ่าน Microsoft Foundry และ MAI Playground, และ OpenRouter.

แหล่งอ้างอิงของบทความต้นฉบับ: learn.microsoft.com [1]