Microsoft’a Göre MAI-Transcribe-2, 60 Dilde FLEURS Kıyaslamasını Zirvede Tutuyor

Microsoft AI, 3 Eylül 2026’da MAI-Transcribe-2’yi piyasaya sürdü; laboratuvarın açıklamasına göre, bu konuşma tanıma modeli 60 dilde FLEURS kıyaslamasında ortalama %5,2 kelime hata oranı ile birinci sırada yer alıyor. Duyurusunda, Microsoft modeli şu ana kadar geliştirdiği en yetkin transkripsiyon sistemi olarak tanımladı ve ses başına saatlik ücretini 0,10 $ olarak belirledi.

Microsoft, MAI-Transcribe-2’nin konuşmacı ayrımı, yapılandırılabilir transkripsiyon stilleri ve kelime‑seviyesinde zaman damgaları eklediğini ve Gemini 3.5 Transcribe, GPT-Transcribe, Whisper V3‑Large ve ScribeV2 gibi rakip modelleri gerçek dünya seslerinin daha geniş bir yelpazesinde geride bıraktığını söyledi. Duyuruma göre model, Artificial Analysis üzerinde doğruluk ve gecikme açısından Pareto sınırını tanımlıyor ve önceki MAI-Transcribe sürümlerinin sonuçlarını geliştirerek Artificial Analysis kelime hata oranı sıralamasında ikinci sırada yer alıyor.

Microsoft, modeli klinik not tutma, hukuki belge hazırlama, erişilebilirlik ve kapalı altyazı gibi iş yükleri için konumlandırdı. Şirket, özellikle uzun biçimli seslerde, önde gelen rakiplerin işlem hızının 10 katına kadar çıkabilen çok daha düşük gecikmeli bir çıkarım sağlandığını bildirdi. Ayrıca modelin, kontrollü kayıt ortamlarının dışındaki gürültülü koşullarda bile transkripsiyon kalitesini koruduğunu belirtti.

Kıyaslama Sonuçları

Artificial Analysis tarafından yürütülen değerlendirmelere atıfta bulunan Microsoft, MAI-Transcribe-2’nin OpenAI’nın GPT-Transcribe modelinden 10 kat, ElevenLabs’ın Scribe v2 modelinden 7 kat ve Gemini 3.5 Transcribe modelinden 5 kat daha hızlı olduğunu, aynı zamanda daha yüksek doğruluk sağladığını söyledi. Şirket, modelin kıyaslamanın doğruluk‑karşı‑hız grafiğinde en çekici çeyrekte tek başına yer aldığını, %2,0 hata oranı ve 403,6 hız faktörüyle bir saatlik sesin yaklaşık on saniyede geri döndüğünü belirtti.

Halka açık çok dilli FLEURS kıyaslamasında Microsoft, MAI-Transcribe-2’nin test edilen 60 dilde tutarlı bir şekilde yüksek doğruluk seviyesi sergilediğini raporladı. Şirket, modeli diğer tüm modellere göre daha fazla dilde doğru olarak tanımladı ve çoklu dilde transkripsiyon yapan geliştiricilerin tek bir modele güvenebileceğini, böylece karmaşıklığın azalacağını ve GPU kullanımının potansiyel olarak tasarruf edileceğini söyledi. Duyuru ayrıca modelin hızı ve verimliliğinin Microsoft’un piyasadaki en rekabetçi fiyatı sunduğunu belirtti. Lansmanda saatlik 0,10 $ fiyatı, yıl sonuna kadar geçerli sınırlı bir teklif olarak sunuluyor.

Kullanılabilirlik ve Geliştirici Özellikleri

Microsoft Learn belgeleri, MAI-Transcribe-2’nin Azure Speech hizmetinde halka açık ön izleme olarak mevcut olduğunu, hizmet düzeyi anlaşması (SLA) bulunmadığını ve üretim iş yükleri için önerilmediğini listeliyor. Belgeler, MAI-Transcribe’yi Microsoft AI ekibi tarafından dahili olarak geliştirilen bir konuşmadan metne modeli olarak tanımlıyor ve video altyazılandırma, toplantılar, klinik notlar, çağrı merkezi dokümantasyonu, erişilebilirlik araçları, içerik oluşturma ve sesli asistanlar gibi iş yüklerini kapsadığını belirtiyor. Aynı zamanda MAI-Transcribe-2’yi, 20 Ağustos 2026’da kullanım dışı bırakılan MAI-Transcribe-1 ve MAI-Transcribe-1.5 gibi önceki sürümlerle birlikte listeliyor.

İstekler, Fast Transcription API’nin geliştirilmiş modundan geçiyor; model, geliştirilmiş mod model özelliği MAI-Transcribe-2 olarak ayarlandığında seçiliyor. Ses girişi, WAV, MP3 veya FLAC formatında 300 MB’den küçük dosyalarla sınırlıdır ve kullanım bir Azure aboneliği ve Speech için bir Microsoft Foundry kaynağı gerektirir.

İsteğe bağlı parametreler, modelin özellik setini kontrol eder. Konuşmacı ayrımı, kaydı konuşmacıya göre bölerek her segmenti konuşmacı etiketi, ofset ve süre meta verileriyle döndürür. Kelime‑seviyesinde zaman damgaları her kelimenin zamanlamasını verir; segment seçeneği segment başına zamanlamayı, none seçeneği ise zaman verisini atlar. Bir phrase‑list parametresi, alan‑özel terminoloji, kısaltmalar ve özel isimler gibi sağlanan terimlere tanıma eğilimi verir; belgeler bu terimlerin zorunlu çıktıdan ziyade ipucu olarak işlev gördüğünü belirtir.

Transkripsiyon stili parametresi varsayılan olarak verbatim (tam metin) ayarındadır; bu, doldurucu kelimeler ve hatalı başlangıçlar dahil, konuşmayı tam olarak olduğu gibi yakalar ve uyumluluk, kalite kontrol ve analiz iş yükleri için uygundur. Clean (temiz) ayarı, doldurucuları kaldırır ve yaygın konuşma kalıplarını otomatik biçimlendirerek daha okunabilir altyazılar, notlar ve yayımlanmış transkriptler üretir. Dil seçimi isteğe bağlıdır; varsayılan olarak model konuşulan dili otomatik algılar ve belgeler, otomatik algılama başarısız olduğunda belirli bir dilin zorunlu olarak seçilmesini önerir. Hinglish ve Spanglish gibi karışık dil çiftleri için kod değiştirme otomatik olarak yönetilir ve kontrollü ortamların dışındaki ses kayıtları için gürültü dayanıklılığı modelin doğal bir özelliğidir.

Belgeler ayrıca MAI-Transcribe’nin Voice Live API üzerinden bir oturum yapılandırma alanı aracılığıyla giriş sesinin transkripsiyonunu sağlayabileceğini belirtiyor. Microsoft, modelin Microsoft Foundry ve MAI Playground üzerinden demo olarak kullanılabileceğini ve OpenRouter üzerinden de erişilebileceğini söyledi.