微软 宣布推出 MAI-Transcribe-2，宣称这是其最快、最准确、最便宜的 AI 语音转文字模型。定价上，该模型上市时限时收费 0.10 美元（约合 0.67 元人民币）/ 小时，优惠持续至 2026 年年底。
一、准确率、速度双领先，比 GPT-Transcribe 快 10 倍
性能方面，在 FLEURS 测试集中，MAI-Transcribe-2 在强制指定语言和自动推断语言两种模式下的平均词错误率均为 5.2%。同一测试中，Gemini 3.1 Pro 的两项结果为 5.3% 和 5.8%，GPT-Transcribe 为 10.4% 和 10.6%，Whisper v3-Large 为 22.8% 和 23.5%。
速度上，微软援引 Artificial Analysis 评测称，MAI-Transcribe-2 比 GPT-Transcribe 快 10 倍，比 Scribe v2 快 7 倍，比 Gemini 3.5 Transcribe 快 5 倍。
二、支持说话人分离与逐词时间戳，覆盖 60 种语言
功能方面，MAI-Transcribe-2 新增说话人分离能力，可在一段录音内区分不同发言者，并把文字归属到对应说话人；逐词时间戳能为每个词标注精确位置，便于音频检索、导航、编辑和字幕对齐。
风格上，模型提供可配置转写风格：verbatim 模式保留语气词和口误，面向合规与分析工作；clean 模式删除语气词，生成更易读的字幕、笔记和发布文本。此外还支持关键词偏置、自动语言识别、语言切换和噪声环境转写。模型覆盖 60 种语言，支持自然混用语言的对话，用户无需预先指定语言，模型可自动检测录音语言。
目前，开发者可在 Microsoft Foundry、MAI Playground 和 OpenRouter 调用或试用该模型。
