Microsoft 表示 MAI-Transcribe-2 在 60 种语言的 FLEURS 基准测试中名列前茅

Microsoft AI 于 2026 年 9 月 3 日发布了 MAI-Transcribe-2，这是一款语音识别模型，实验室称其在 60 种语言的 FLEURS 基准测试中排名第一，平均词错误率为 5.2%。在其公告中，Microsoft 将该模型描述为迄今为止最强大的转录系统，并将其定价为每小时音频 0.10 美元。

Microsoft 表示，MAI-Transcribe-2 增加了说话人分离、可配置的转录风格以及词级时间戳，并在更广泛的真实音频场景中优于包括 Gemini 3.5 Transcribe、GPT-Transcribe、Whisper V3-Large 和 ScribeV2 在内的竞争模型。根据公告，该模型在 Artificial Analysis 上定义了准确率与延迟的帕累托前沿，并在 Artificial Analysis 词错误率排行榜上位列第二，提升了早期 MAI-Transcribe 版本的表现。

Microsoft 将该模型定位于临床笔记、法律文档、辅助功能以及字幕等工作负载。公司报告称推理速度更快，延迟显著降低，尤其是对长音频，处理速度最高可达领先竞争对手的 10 倍。它还表示，该模型在非受控录音环境的嘈杂条件下仍能保持转录质量。

基准测试结果

根据 Artificial Analysis 进行的评估，Microsoft 表示 MAI-Transcribe-2 的速度是 OpenAI 的 GPT-Transcribe 的 10 倍，ElevenLabs 的 Scribe v2 的 7 倍，以及 Gemini 3.5 Transcribe 的 5 倍，同时提供更高的准确率。公司称该模型在基准测试的准确率‑速度图表中独占最具吸引力的象限，错误率为 2.0%，速度系数为 403.6，意味着一小时音频的处理时间约为十秒。

在公开的多语言 FLEURS 基准测试中，Microsoft 报告称 MAI-Transcribe-2 在所有 60 种测试语言中始终保持高准确率。公司称该模型在语言覆盖上超过所有其他模型，开发者在多语言转录时可依赖单一模型，从而降低复杂度并可能节省 GPU 使用率。公告还指出，该模型的速度和吞吐量使 Microsoft 能够提供其称为市场上最具竞争力的价格。发布时，0.10 美元每小时的费率为限时优惠，持续至年底。

可用性与开发者特性

Microsoft Learn 文档将 MAI-Transcribe-2 列为 Azure Speech 中的公开预览版，可用但不提供服务等级协议，且不建议用于生产工作负载。文档将 MAI-Transcribe 描述为由 Microsoft AI 团队内部构建的语音转文本模型，适用于视频字幕、会议、临床笔记、呼叫中心文档、辅助功能工具、内容创作和语音代理等工作负载。文档还将 MAI-Transcribe-2 与之前的 MAI-Transcribe-1.5 和 MAI-Transcribe-1 一并列出，后者已于 2026 年 8 月 20 日停用。

请求通过 Fast Transcription API 的增强模式路由，需将增强模式模型属性设置为 MAI-Transcribe-2 以选择该模型。音频输入限制为 WAV、MP3 或 FLAC 格式且文件大小不超过 300 MB，使用时需要 Azure 订阅和 Microsoft Foundry 的语音资源。

可选参数可控制模型的功能集。说话人分离会按说话人对录音进行分段，并返回带有偏移和时长元数据的说话人标签段。词级时间戳提供每个词的时间信息，而 segment 选项则返回每段的时间，none 选项则省略时间数据。phrase-list 参数会使识别倾向于提供的词汇，如特定领域术语、缩写和专有名词，文档指出这些词汇仅作为提示而非强制输出。

转录风格参数默认值为 verbatim（逐字），会完整捕获讲话内容，包括填充词和语塞，适用于合规、质量检查和分析等工作负载。clean 设置会去除填充词并自动格式化常见口语模式，以生成更易阅读的字幕、笔记和已发布的转录稿。语言选择为可选项；默认情况下模型会自动检测所讲语言，文档建议仅在自动检测失败时强制指定语言。对 Hinglish、Spanglish 等混合语言对的代码切换会自动处理，模型对在非受控环境录制的音频的噪声鲁棒性也是其固有特性。

文档还指出，MAI-Transcribe 可通过 Voice Live API 的会话配置字段提供输入音频的转录。Microsoft 表示该模型可在 Microsoft Foundry 和 MAI Playground 上进行演示，且在 OpenRouter 上的可用性即将推出。