Microsoft’un Söylediğine Göre MAI-Transcribe-2, 60 Dilde FLEURS Benchmark’inde Zirveye Çıktı

Microsoft AI, 3 Eylül 2026’da MAI-Transcribe-2’yi yayınladı; laboratuvarın 60 dilde FLEURS benchmark’inde ortalama %5,2 kelime hata oranı ile birinci sırada yer alan bir konuşma tanıma modeli. Duyurusunda, Microsoft modeli bugüne kadarki en yetkin transkripsiyon sistemi olarak tanımladı ve saat başına 0,10 $ fiyatlandırdı.

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 daha geniş bir gerçek‑dünya ses 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 lider tablosunda ikinci sırada yer alıyor.

Microsoft, modeli klinik not tutma, hukuki dokümantasyon, erişilebilirlik ve kapalı altyazı gibi iş yükleri için konumlandırdı. Şirket, özellikle uzun biçimli seslerde, önde gelen rakiplere kıyasla işlem hızını 10 katına kadar artırarak çok daha düşük gecikme ile daha hızlı çıkarım sağlandığını bildirdi. Ayrıca modelin, kontrollü kayıt ortamlarının dışındaki gürültülü koşullarda da transkripsiyon kalitesini koruduğunu belirtti.

Benchmark Sonuçları

Artificial Analysis tarafından yürütülen değerlendirmelere atıfta bulunarak 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 benchmark’ın doğruluk‑karşı‑hız grafiğinin en çekici dörtlüğünde 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 benchmark’inde Microsoft, MAI-Transcribe-2’nin test edilen 60 dilin tamamında tutarlı bir şekilde yüksek doğruluk seviyesi sergilediğini raporladı. Şirket, modelin diğer tüm modellerden daha fazla dilde doğru olduğunu ve çoklu dilde transkripsiyon yapan geliştiricilerin tek bir modele güvenerek karmaşıklığı azaltıp GPU kullanımını potansiyel olarak tasarruf edebileceklerini açıkladı. Duyuru ayrıca modelin hız ve iş hacminin Microsoft’un piyasadaki en rekabetçi fiyatı sunduğunu belirtti. Lansmanda saatlik 0,10 $ fiyat, yıl sonuna kadar geçerli sınırlı bir teklif olarak sunuluyor.

Kullanılabilirlik ve Geliştirici Özellikleri

Microsoft Learn belgeleri, MAI-Transcribe-2’nin Azure Speech içinde genel ön izleme olarak mevcut olduğunu, hizmet seviyesi anlaşması bulunmadığını ve üretim iş yükleri için önerilmediğini listeliyor. Belgeler, MAI-Transcribe’nin Microsoft AI ekibi tarafından dahili olarak geliştirilen bir konuşmadan metne modeli olduğunu, video altyazılandırma, toplantılar, klinik notlar, çağrı merkezi dokümantasyonu, erişilebilirlik araçları, içerik oluşturma ve sesli asistanlar gibi iş yüklerini kapsadığını açıklıyor. Ayrıca MAI-Transcribe-2, önceki MAI-Transcribe-1.5 ve 20 Ağustos 2026’da kullanımdan kaldırılan MAI-Transcribe-1 ile birlikte listeleniyor.

İstekler, Fast Transcription API’nin geliştirilmiş modundan yönlendirilir; model, geliştirilmiş mod model özelliği MAI-Transcribe-2 olarak ayarlandığında seçilir. 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 konuşmacı‑etiketli segmentler ve ofset‑süre meta verileri döndürür. Kelime‑seviyesinde zaman damgaları her kelimenin zamanlamasını verir; segment seçeneği segment başına zamanlama sunar ve none seçeneği zaman verisini atlar. Phrase‑list parametresi, alan‑özel terminoloji, kısaltmalar ve özel isimler gibi sağlanan terimlere tanıma eğilimi verir; belgeler bu terimlerin zorunlu çıktı yerine ipucu olarak işlev gördüğünü belirtir.

Transkripsiyon stili parametresi varsayılan olarak kelimesi kelimesine (verbatim) ayarlanmıştır; bu, doldurucu kelimeler ve hatalı başlangıçlar dahil, konuşmayı tam olarak olduğu gibi yakalar ve uyumluluk, kalite kontrol ve analiz iş yükleri için uygundur. Temiz (clean) ayarı, doldurucuları kaldırır ve yaygın konuşma kalıplarını otomatik biçimlendirerek daha okunabilir altyazılar, notlar ve yayınlanmış transkriptler üretir. Dil seçimi isteğe bağlıdır; varsayılan olarak model konuşulan dili otomatik algılar ve belgeler yalnızca otomatik algılama başarısız olduğunda belirli bir dilin zorunlu kılınmasını önerir. Hinglish ve Spanglish gibi karışık dil çiftleri için kod geçişi otomatik olarak yönetilir ve kontrollü ortamların dışındaki ses kayıtları için gürültü dayanıklılığı modele doğaldır.

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 sunulduğunu ve OpenRouter’da yakında kullanılabilir olacağını söyledi.