MAI-Transcribe-2 – 微软推出的AI语音转写模型

MAI-Transcribe-2是一款由微软推出的AI语音转写模型，主要用于将会议录音、访谈、播客、视频音频等高精度转为文字，支持 60 种语言与自然混语识别，适用于批量、低成本、高准确率的转写场景，2026 年 9 月 3 日发布。

MAI-Transcribe-2 的核心能力

多语种高精度转写

MAI-Transcribe-2 在 FLEURS 60 语言基准上平均词错误率（WER）仅 5.2%，Top 25 语言低至 3.4%，单模型覆盖 60 种语言。它把工程投入全压在语音转写这一垂直场景上，而非追逐通用能力，以更低成本换取更高的准确率与吞吐。

说话人分离与逐词时间戳

说话人分离（diarization）能区分不同发言者并把文字归属到对应说话人；逐词时间戳（word-level timestamps）为每个词标注精确位置，便于检索、导航与字幕对齐。

verbatim 与 clean 双模式转写

转写风格提供 verbatim 与 clean 两种模式：verbatim 保留语气词与口误，面向合规与分析；clean 去除语气词并自动格式化，产出易读的字幕、笔记与发布文本。

关键词偏置与自动混语识别

关键词偏置（keyword biasing）帮助模型识别领域术语、缩写与专有名词；自动语言识别与混语支持（如 Hinglish、Spanglish）无需预先指定语言即可处理多语种切换，在背景噪声下也能保持转写质量。

MAI-Transcribe-2 与同类模型的对比

以下把 MAI-Transcribe-2 与同类的语音转写/语音识别模型对比：选 Gemini 3.5 Transcribe（谷歌）、Whisper v3-Large（OpenAI）与 FunASR（阿里达摩院）。FLEURS 数据来自微软 2026-09-03 官方博文，词错误率越低越好。

注：MAI-Transcribe-2 的 FLEURS 平均 WER 5.2% 与 Whisper v3-Large 的 22.8% 引自微软 2026-09-03 官方博文；Gemini 3.5 Transcribe 公开预览未给出 FLEURS 同口径数值，FunASR 面向中文场景无 FLEURS 数据，故两格标「未公布同口径」。

从官方数据可以看出，MAI-Transcribe-2 在同类别语音转写模型里，准确率（FLEURS WER 5.2%）明显优于开源的 Whisper v3-Large（22.8%），且以 $0.10/小时的限时价提供托管 API，兼顾精度与成本；较开源方案，它的优势在免自建算力与工程。

如果想了解国产开源音频模型作为对照，可参考 FireRedAudio（小红书 FireRed 团队推出的通用音频语言模型，Apache-2.0 开源、9B 权重可本地部署）。

MAI-Transcribe-2 的应用场景与适用人群

MAI-Transcribe-2 在以下场景具备直接价值：

• 会议与访谈记录：自动区分发言者并生成带时间戳的文字稿，便于会后检索、归档与要点提炼。
• 字幕与无障碍：clean 模式产出易读字幕，支持播客、视频、直播的多语种字幕与无障碍转写。
• 医疗与法律文档：verbatim 模式保留原话，满足临床记录、法务笔录等强合规留痕需求。

适用人群：MAI-Transcribe-2 适合处理大量语音内容的团队与个人，包括媒体剪辑与字幕组、企业会议记录岗、医疗与法律等强合规行业，以及构建语音 Agent、客服分析的研发团队；对追求低成本高吞吐的开发者，它能以单一模型替代多套语种识别方案。

如何使用 MAI-Transcribe-2

MAI-Transcribe-2 通过 Microsoft Foundry（Azure Speech 公开预览）、MAI Playground 与 OpenRouter 三个入口开放调用，最常用 Azure 的 Fast Transcription API：

1. 开通资源：需 Azure 订阅并创建 Microsoft Foundry 语音资源，获取密钥与端点，参数见 MAI-Transcribe-2 官网。
2. 选择模型：调用 Fast Transcription API 时启用 enhanced 模式，把 model 属性指定为 MAI-Transcribe-2。
3. 提交音频：上传不超过 300 MB 的 WAV/MP3/FLAC 文件，按需开启说话人分离、逐词时间戳与关键词偏置。
4. 获取结果：接口返回带说话人标签与时间戳的文本，也可在 MAI Playground 试听、校对与导出。

MAI-Transcribe-2 的价格与开源情况

MAI-Transcribe-2 上市时限时计费 $0.10/小时音频，优惠至 2026 年底。上一代 MAI-Transcribe-1.5 为 $0.36/小时，二代新增说话人分离等能力的同时把单价压低近 70%；2027 年定价尚未公布。

在语音转写这一垂直赛道上，价格与吞吐仍是开发者最敏感的指标：开源方案虽免费但需自建算力与工程，MAI-Transcribe-2 的 $0.10/小时托管价则在精度与成本之间取得了更直接的平衡。

开源方面，MAI-Transcribe-2 是闭源商业模型，未开放权重，不支持本地自部署，与 Whisper 等开源方案形成差异；若必须私有化部署，仍需选择可自托管模型。注意 Azure Speech 上当前为公开预览（无 SLA），不建议承载生产负载。

MAI-Transcribe-2 常见问题