MAI-Transcribe-2

产品简介

MAI-Transcribe-2 是微软 AI 部门于 2026 年 9 月 3 日正式发布的 AI 语音转文字模型，官方将其定位为"迄今最快、最准确、最便宜"的多语种转录解决方案。在涵盖 60 种语言的 FLEURS 权威基准测试集上，MAI-Transcribe-2 在强制指定语言与自动推断语言两种模式下平均词错误率（WER）均为 5.2%，优于 Google Gemini 3.1 Pro（5.3%/5.8%）、OpenAI GPT-Transcribe（10.4%/10.6%）与 Whisper v3-Large（22.8%/23.5%）。第三方机构 Artificial Analysis 独立评测显示，其速度比 GPT-Transcribe 快 10 倍、比 ElevenLabs Scribe v2 快 7 倍、比 Gemini 3.5 Transcribe 快 5 倍。限时定价仅 0.10 美元/小时（约合人民币 0.67 元），2026 年年年底前有效，较初代 MAI-Transcribe 降价约 72%。

核心功能

1. 多语言语音转录：支持 60 种语言，可自动检测录音语言，无需预先指定语种
2. 说话人分离（Diarisation）：在一段录音内精确区分不同发言者，并将转写文字归属到对应说话人
3. 逐词时间戳：为每个词标注精确的时间位置，便于字幕对齐、音频检索与精细编辑
4. 双转写风格：提供 verbatim 模式（保留语气词与口误）与 clean 模式（删除填充词），适配不同场景需求
5. 关键词偏置（Keyword Biasing）：允许用户预设领域术语列表，提升专业词汇识别准确率
6. 自动语言识别与切换：支持自然混用语言的对话场景（如 Hinglish 印度英语、Spanglish 西班牙语英语混合），自动检测并适应语言切换
7. 噪声环境转写：在背景噪声、音频质量不理想、混合语言等复杂条件下保持高准确率
8. 上下文感知解码：结合全局上下文语义与外部关键词偏置进行联合推理，提升专业术语精度

技术原理

MAI-Transcribe-2 采用端到端统一架构——单一神经网络直接完成从声学特征到文本序列的映射，将语音识别、说话人分离、语言检测等任务整合在同一模型内，避免传统级联系统的误差累积。

在多语言联合训练方面，模型基于 60 种语言的海量语音-文本数据进行联合训练，学习到跨语言共享的声学表示与语言规律，不仅覆盖主流语种，对低资源语种同样保持较高准确率，并具备自然语言切换的实时检测能力。

性能表现

在 FLEURS 测试集（60 种语言）上的词错误率对比：

在 Artificial Analysis 词错误率排行中位列第 2。速度方面，处理 1 小时音频仅需约 10 秒，比 GPT-Transcribe 快 10 倍。

特色优势

1. 多任务统一模型：语音识别、说话人分离、语言检测三合一，无需多系统串联
2. 极致性价比：限时 0.10 美元/小时，约为 GPT-Transcribe 价格的十分之一
3. 全面功能集成：说话人分离、逐词时间戳、关键词偏置等均作为基础功能提供，无附加付费
4. 强噪声鲁棒性：专为呼叫中心、嘈杂会议室等真实环境设计
5. 多语言无标注切换：无需预先指定语种，模型自动识别语言边界

应用场景

1. 企业呼叫中心：批量转录客服通话，实现合规存档、质量分析与自动化报表生成
2. 会议字幕与纪要：实时生成多语言会议字幕，支持会后快速生成会议纪要
3. 法律/医疗听写：支持专业术语偏置，提升法律口述与临床记录的转写准确率
4. 内容创作与媒体：将播客、视频、采访快速转写为文字，便于二次编辑与多平台分发
5. 教育内容加工：将课程录音、讲座转为文字笔记，支持搜索与知识点标注

适用人群

1. 企业客服与呼叫中心：需要对大量通话记录进行存档、质检与分析的团队
2. 会议组织者与行政人员：需要快速生成会议记录和字幕的专业人士
3. 法律从业者：需要进行口述记录转写的律师与法务人员
4. 内容创作者：播客主、视频博主、字幕组等需要将音频批量转为文字的用户
5. 开发集成商：在产品中集成语音转文字功能的开发者

出品方

微软 AI（Microsoft AI），隶属微软 AI 部门，MAI-Transcribe-2 由微软内部 10 人核心小组独立于公司官僚体系完成研发，GPU 成本约为同类前沿模型的二分之一。

更新动态

2026 年 9 月 3 日正式发布，已在 Microsoft Foundry、MAI Playground 与 OpenRouter 三平台同步开放调用。限时定价 0.10 美元/小时持续至 2026 年年年底，届时将恢复标准定价。初代 MAI-Transcribe（1.0 版）同步降价至 0.36 美元/小时。

官网链接

微软官方介绍页：https://microsoft.ai/models/mai-transcribe-2/