MAI-Transcribe-2 лідирує у тесті FLEURS за 60 мовами, повідомляє Microsoft

Microsoft AI випустила MAI-Transcribe-2 3 вересня 2026 року, модель розпізнавання мови, яку лабораторія назвала першою у тесті FLEURS за 60 мовами зі середньою помилкою слів 5,2 %. У оголошенні Microsoft описала модель як найпотужнішу систему транскрипції на сьогоднішній день і встановила ціну $0,10 за годину аудіо.

Microsoft повідомила, що MAI-Transcribe-2 додає діаризацію спікерів, налаштовувані стилі транскрипції та мітки часу на рівні слів, і перевершує конкуренти, включаючи Gemini 3.5 Transcribe, GPT‑Transcribe, Whisper V3‑Large та ScribeV2, у ширшому спектрі реальних аудіо. За даними оголошення, модель визначає фронтир Парето за точністю та затримкою в Artificial Analysis і посідає друге місце у таблиці лідерів за помилкою слів у Artificial Analysis, покращуючи результати попередніх версій MAI‑Transcribe.

Microsoft позиціонує модель для навантажень, включаючи ведення клінічних нотаток, юридичну документацію, доступність та закриті субтитри. Компанія повідомила про швидший інференс із значно нижчою затримкою, особливо для довгих аудіо, до 10‑разової швидкості обробки порівняно з провідними конкурентами. Також зазначено, що модель зберігає якість транскрипції у шумних умовах поза контрольованими студійними середовищами.

Результати тестування

Посилаючись на оцінки, проведені Artificial Analysis, Microsoft заявила, що MAI-Transcribe-2 в 10 раз швидший за GPT‑Transcribe від OpenAI, у 7 раз швидший за Scribe v2 від ElevenLabs і у 5 раз швидший за Gemini 3.5 Transcribe, при цьому забезпечуючи вищу точність. Компанія зазначила, що модель розташована окремо у найпривабливішому квадранті діаграми точність‑проти‑швидкості тесту, з помилкою 2,0 % та фактором швидкості 403,6, що означає, що година аудіо обробляється приблизно за десять секунд.

У публічному багатомовному тесті FLEURS Microsoft повідомила, що MAI-Transcribe-2 підтримує стабільно високий рівень точності за всіма 60 протестованими мовами. Компанія описала модель як точну для більшої кількості мов, ніж будь‑яка інша модель, і зазначила, що розробники, які транскрибують кілька мов, можуть покладатися на одну модель, скорочуючи складність і потенційно заощаджуючи використання GPU. Оголошення також зазначає, що швидкість і пропускна здатність моделі дозволяють Microsoft пропонувати те, що називається найконкурентнішою ціною на ринку. При запуску тариф $0,10 за годину діє обмежено до кінця року.

Доступність та функції для розробників

Документація Microsoft Learn зазначає, що MAI-Transcribe-2 доступна в Azure Speech у публічному прев’ю, без угоди про рівень сервісу та не рекомендується для виробничих навантажень. У документації описується MAI-Transcribe як модель «мова‑в‑текст», створена внутрішньо командою Microsoft AI, що охоплює навантаження, такі як субтитрування відео, зустрічі, клінічні нотатки, документація кол‑центру, інструменти доступності, створення контенту та голосові агенти. Також у списку присутні MAI-Transcribe-2 разом із попередніми MAI-Transcribe-1.5 та MAI-Transcribe-1, остання з яких була припинена 20 серпня 2026 р.

Запити проходять через розширений режим Fast Transcription API, при цьому модель вибирається встановленням властивості моделі розширеного режиму на MAI-Transcribe-2. Вхідний аудіо обмежений файлами розміром до 300 МБ у форматах WAV, MP3 або FLAC, і використання вимагає підписки Azure та ресурсу Microsoft Foundry для Speech.

Опціональні параметри керують набором функцій моделі. Діаризація спікерів розбиває запис за спікерами та повертає сегменти з мітками спікерів, включаючи метадані зсуву та тривалості. Мітки часу на рівні слів повертають час для кожного слова, тоді як параметр segment повертає час для кожного сегмента, а параметр none виключає дані про час. Параметр phrase‑list зміщує розпізнавання в бік заданих термінів, таких як галузеві терміни, абревіатури та власні імена; у документації зазначено, що терміни слугують підказками, а не примусовим виходом.

Параметр стилю транскрипції за замовчуванням — verbatim, який фіксує мову точно так, як вона вимовлена, включаючи заповнювачі та помилкові початки, для відповідності, контролю якості та аналітичних навантажень. Налаштування clean видаляє заповнювачі та автоматично форматує типові мовні патерни, створюючи більш читабельні субтитри, нотатки та опубліковані транскрипти. Вибір мови є необов’язковим; за замовчуванням модель автоматично визначає мову мовлення, і документація радить примусово задавати конкретну мову лише у випадку збою автодетекції. Перемикання коду для змішаних мовних пар, таких як Hinglish та Spanglish, обробляється автоматично, а стійкість до шуму для аудіо, записаного поза контрольованими середовищами, вбудована в модель.

Документація також зазначає, що MAI-Transcribe може здійснювати транскрипцію вхідного аудіо у Voice Live API через поле конфігурації сесії. Microsoft повідомила, що модель доступна для демонстрації через Microsoft Foundry та MAI Playground, а також OpenRouter.

Джерела оригінальної статті: learn.microsoft.com [1]