MAI-Transcribe-2 Dẫn Đầu Bảng Đánh Giá FLEURS Trên 60 Ngôn Ngữ, Microsoft Công Bố

Microsoft AI đã ra mắt MAI-Transcribe-2 vào ngày 3 tháng 9 năm 2026, một mô hình nhận dạng giọng nói mà phòng thí nghiệm cho biết đứng đầu bảng đánh giá FLEURS trên 60 ngôn ngữ với tỷ lệ lỗi từ trung bình 5,2 %. Trong thông báo của mình, Microsoft mô tả mô hình này là hệ thống chuyển văn bản sang giọng nói mạnh mẽ nhất tính đến thời điểm hiện tại và đưa ra mức giá 0,10 USD cho mỗi giờ âm thanh.

Microsoft cho biết MAI-Transcribe-2 bổ sung khả năng phân đoạn người nói, các kiểu chuyển văn bản có thể cấu hình và dấu thời gian cấp từ, đồng thời vượt trội hơn các mô hình cạnh tranh như Gemini 3.5 Transcribe, GPT-Transcribe, Whisper V3-Large và ScribeV2 trên một phạm vi rộng hơn của âm thanh thực tế. Theo thông báo, mô hình này xác định ranh giới Pareto về độ chính xác và độ trễ trên Artificial Analysis và đứng thứ hai trên bảng xếp hạng tỷ lệ lỗi từ của Artificial Analysis, cải thiện so với các phiên bản MAI-Transcribe trước đó.

Microsoft định vị mô hình này cho các công việc như ghi chú lâm sàng, tài liệu pháp lý, khả năng truy cập và phụ đề đóng. Công ty báo cáo khả năng suy luận nhanh hơn với độ trễ giảm đáng kể, đặc biệt đối với âm thanh dài, đạt tốc độ xử lý nhanh gấp tới 10 lần so với các đối thủ hàng đầu. Ngoài ra, họ còn cho biết mô hình duy trì chất lượng chuyển văn bản ngay cả trong môi trường ồn ào ngoài các phòng thu kiểm soát.

Kết Quả Đánh Giá

Dựa trên các đánh giá do Artificial Analysis thực hiện, Microsoft cho biết MAI-Transcribe-2 nhanh gấp 10 lần so với GPT-Transcribe của OpenAI, nhanh gấp 7 lần so với Scribe v2 của ElevenLabs và nhanh gấp 5 lần so với Gemini 3.5 Transcribe, đồng thời đạt độ chính xác cao hơn. Công ty cho biết mô hình này đứng một mình trong góc hấp dẫn nhất của biểu đồ độ chính xác‑so‑với‑tốc độ của bảng đánh giá, với tỷ lệ lỗi 2,0 % và hệ số tốc độ 403,6, nghĩa là một giờ âm thanh được xử lý trong khoảng mười giây.

Trên bảng đánh giá đa ngôn ngữ FLEURS công cộng, Microsoft báo cáo rằng MAI-Transcribe-2 duy trì mức độ chính xác cao đồng đều trên tất cả 60 ngôn ngữ đã kiểm tra. Công ty mô tả mô hình này là chính xác trên nhiều ngôn ngữ hơn bất kỳ mô hình nào khác và cho biết các nhà phát triển thực hiện chuyển văn bản đa ngôn ngữ có thể dựa vào một mô hình duy nhất, giảm độ phức tạp và tiềm năng tiết kiệm việc sử dụng GPU. Thông báo cũng nêu rằng tốc độ và khả năng xử lý của mô hình cho phép Microsoft cung cấp mức giá mà họ gọi là cạnh tranh nhất trên thị trường. Khi ra mắt, mức giá 0,10 USD mỗi giờ là ưu đãi có thời hạn cho đến cuối năm.

Khả Dụng và Tính Năng Dành Cho Nhà Phát Triển

tài liệu Microsoft Learn liệt kê MAI-Transcribe-2 là có sẵn trong Azure Speech ở giai đoạn xem trước công khai, không có thỏa thuận mức dịch vụ và không được khuyến nghị cho các công việc sản xuất. Tài liệu mô tả MAI-Transcribe là một mô hình chuyển giọng nói thành văn bản được xây dựng nội bộ bởi nhóm Microsoft AI, bao gồm các công việc như phụ đề video, họp mặt, ghi chú lâm sàng, tài liệu trung tâm cuộc gọi, công cụ truy cập, tạo nội dung và trợ lý giọng nói. Nó cũng liệt kê MAI-Transcribe-2 cùng với các phiên bản trước MAI-Transcribe-1.5 và MAI-Transcribe-1, phiên bản sau bị ngừng hỗ trợ vào ngày 20 tháng 8 năm 2026.

Các yêu cầu được chuyển qua chế độ nâng cao của Fast Transcription API, với mô hình được chọn bằng cách đặt thuộc tính mô hình chế độ nâng cao thành MAI-Transcribe-2. Đầu vào âm thanh bị giới hạn ở các tệp dưới 300 MB ở định dạng WAV, MP3 hoặc FLAC, và việc sử dụng yêu cầu một thuê bao Azure và một tài nguyên Microsoft Foundry cho Speech.

Các tham số tùy chọn kiểm soát bộ tính năng của mô hình. Phân đoạn người nói (speaker diarization) chia bản ghi theo người nói và trả về các đoạn được gắn nhãn người nói cùng siêu dữ liệu độ lệch và thời lượng. Dấu thời gian cấp từ trả về thời gian cho mỗi từ, trong khi tùy chọn segment trả về thời gian cho mỗi đoạn và tùy chọn none bỏ qua dữ liệu thời gian. Tham số phrase‑list làm lệch nhận dạng về phía các thuật ngữ được cung cấp như thuật ngữ chuyên ngành, viết tắt và danh từ riêng, với tài liệu ghi chú rằng các thuật ngữ này chỉ là gợi ý chứ không phải đầu ra bắt buộc.

Tham số kiểu chuyển văn bản mặc định là verbatim, ghi lại giọng nói chính xác như đã nói, bao gồm các từ filler và các khởi đầu sai, phục vụ cho các công việc tuân thủ, QA và phân tích. Cài đặt clean loại bỏ các filler và tự động định dạng các mẫu nói thông thường để tạo ra phụ đề, ghi chú và bản sao công bố dễ đọc hơn. Lựa chọn ngôn ngữ là tùy chọn; mặc định mô hình tự động phát hiện ngôn ngữ được nói, và tài liệu khuyên chỉ ép buộc một ngôn ngữ cụ thể khi việc tự động phát hiện thất bại. Việc chuyển đổi mã cho các cặp ngôn ngữ hỗn hợp như Hinglish và Spanglish được xử lý tự động, và khả năng chịu nhiễu cho âm thanh ghi ngoài môi trường kiểm soát là đặc tính vốn có của mô hình.

Tài liệu cũng lưu ý rằng MAI-Transcribe có thể cung cấp chuyển văn bản âm thanh đầu vào trong Voice Live API thông qua trường cấu hình phiên. Microsoft cho biết mô hình có thể được trình diễn qua Microsoft Foundry và MAI Playground, và OpenRouter.