微软9月3日正式发布新一代语音识别模型MAI-Transcribe-2。作为迄今功能最强、效率更高的转写产品，该模型在 FLEURS 基准测试（涵盖60种语言）中实现了5.2%的平均词错误率(WER)，并在 Artificial Analysis 词错误率排行榜中名列第二。
在保持高精度的同时，其长音频处理速度最高可达领先竞争对手的10倍，处理1小时音频仅需约10秒。目前该模型已在 Microsoft Foundry、MAI Playground 及 Open Router 上线，并推出限时优惠价，每小时音频仅需0.10美元。
MAI-Transcribe-2针对真实复杂场景进行了全面升级，集成说话人分割、词级时间戳、关键词偏好设置以及自动语言识别等功能，支持印式英语（Hinglish）、西英混合语(Spanglish)等语码转换现象，并具备极强的抗噪性能。开发者还可根据需求在“逐字转录”与“精简转录”样式间自由切换，精准适配法律、临床、字幕及高合规分析等多样化生产环境。
随着AI应用从单模态交互向多模态及实时语音智能化演进，高吞吐、低延迟且低成本的语音基础设施正在成为关键竞争壁垒。MAI-Transcribe-2通过重新定义语音转写的准确率与延迟帕累托前沿，不仅显著降低了多语言音频的部署门槛，也为端到端实时语音生态的发展注入了新动能。
