微软发布新 ASR 模型 MAI-Transcribe-2

Microsoft AI 发布 MAI-Transcribe-2，并在 Microsoft Foundry 开放公共预览。新模型支持 60 种语言，新增说话人区分、逐词时间戳和专业词汇偏置等能力。开发者可提前加入人名、药名或行业术语，以减少冷门词识别错误。

此次提升最明显的是速度。在 Artificial Analysis 的非实时转写测试中，MAI-Transcribe-2 达到约 410.7 倍实时速度，理论上 1 小时录音约 9 秒即可处理完成。相比之下，GPT-Transcribe 约为 40 倍，Gemini 3.5 Transcribe 约为 89.8 倍。

准确率方面，MAI-Transcribe-2 也处于第一梯队。它在 FLEURS 的 60 种语言测试中平均 WER（词错误率，越低越好）为 5.2%，排名第一；在 Artificial Analysis 的另一套非实时英文测试中，WER 为 2.0%，排名第二，仅低于阿里 Fun-Realtime-ASR-preview 的 1.7%。

价格方面，目前 MAI-Transcribe-2 为每小时 0.10 美元，上一代 MAI-Transcribe-1.5 为每小时 0.36 美元。不过该价格为限时价格，将持续至 2026 年 12 月 31 日，之后正式价格尚未公布。