微软发布MAI-Transcribe-2，称全球最快最便宜语音转写模型

会懂网AI资讯，9月5日，微软于9月3日宣布推出MAI-Transcribe-2，宣称是其最快、最准确、最便宜的AI语音转文字模型。该模型在FLEURS多语种基准上平均词错误率低至5.2%，并定下每音频小时0.10美元的限时优惠价，活动持续至2026年底。

在性能上，MAI-Transcribe-2支持60种语言，并在FLEURS测试中平均词错误率均为5.2%，优于Gemini 3.1 Pro与GPT-Transcribe等主流模型。微软援引Artificial Analysis评测称，其速度比GPT-Transcribe快10倍、比ElevenLabs的Scribe v2快7倍、比Gemini 3.5 Transcribe快5倍。
功能层面，新模型新增说话人分离（diarization），可在一段录音内区分不同发言者并将文字归属到对应说话人；提供逐词时间戳，便于检索、导航与字幕对齐。它还支持关键词偏置、自动语言识别、语言切换与噪声环境下的转写。
转写风格可配置：verbatim模式完整保留语气词与口误，面向合规与分析；clean模式过滤冗余语气词，输出更易读的字幕、笔记与发布文本。这些能力让其在临床记录、法律文档、字幕与无障碍等场景中具备实用价值。
在可用性上，MAI-Transcribe-2已在Azure Speech以公开预览形式上线，开发者可通过Microsoft Foundry、MAI Playground与OpenRouter调用或试用。不过官方提示其尚属预览、无SLA、不建议用于生产负载。
会懂网观察，语音转写是大模型最贴近落地的能力之一。微软以”又快又便宜”的ASR模型切入，既补上了自家多模态矩阵中的语音短板，也向Whisper、Gemini等对手发起正面价格战，AI语音基础设施的竞争正愈发激烈。