微软发布语音转文字模型MAI-Transcribe-2，限时定价每小時0.10美元

微软于9月3日发布AI语音转文字模型MAI-Transcribe-2，宣称是其最快、最准确、最便宜的转录模型。该模型上市时限时收费0.10美元/小时，优惠持续至2026年年底。

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平均词错误率均为5.2%。同一测试中，Gemini 3.1 Pro的两项结果分别为5.3%和5.8%，GPT-Transcribe为10.4%和10.6%，Whisper v3-Large为22.8%和23.5%。速度方面，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。

功能方面，模型新增说话人分离功能，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。逐词时间戳可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。模型支持60种语言，并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。

风格方面，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，以生成更易读的字幕、笔记和发布文本。模型还支持关键词偏置、自动语言识别、语言切换和噪声环境转写。目前，开发者可在Microsoft Foundry、MAI Playground和OpenRouter调用或试用该模型。