微软发布 MAI-Transcribe-1 语音模型：准确率超 Whisper，每小时 0.36 美元

开会时旁边有人敲键盘、背景有咖啡机轰鸣，或者几个人同时开口，语音识别往往瞬间变成「文字乱码现场」。

Microsoft 推出多语言语音转文字模型 MAI-Transcribe-1，正式在 Microsoft Foundry 开启公开预览，同时也上线了 Microsoft AI Playground 供测试。它的目标很明确，就是专治嘈杂、口音和现实生产环境里的乱七八糟声音。

25 种语言刷榜，速度还是旧版的 2.5 倍

根据官方公布的数据，在覆盖 25 种语言的 FLEURS 基准测试中，MAI-Transcribe-1 取得了最低的字词错误率（WER）。

它在这项测试里的表现直接超过了 Whisper-large-V3、Scribe v2、GPT-Transcribe 以及 Gemini 3.1 Flash-Lite。微软在脚注中补充说明，在这 25 种主流语言中，MAI-Transcribe-1 在 11 种核心语言里排名第一；剩下的 14 种语言也全部击败了 Whisper-large-v3，并在其中的 11 种里胜过了 Gemini 3.1 Flash。

除了准确率，微软这次在效率上也下了狠手。MAI-Transcribe-1 的批量转录速度达到了现有 Microsoft Azure Fast 方案的 2.5 倍，而且把延迟压得很低，能够兼顾实时字幕、会议转录和听写等在线场景。

价格方面，微软把每小时音频的转录费用定在 0.36 美元。官方直接将其标榜为大厂云服务中最具性价比的语音识别选择。

先进 Copilot 和 Teams，抗噪是硬功夫

官方演示了几种极端工况：咖啡馆嘈杂环境里改签机票、办公室里英西双语夹杂并有人半途插话，甚至是在演唱会现场让语音助手抢票。模型在背景杂音、低码率音频以及多人说话重叠的情况下，都能准确输出内容。

目前，MAI-Transcribe-1 已经在分批接入 Copilot 的语音模式以及 Microsoft Teams，为后续的纪要整理和下游任务提供底层转录。

微软同时推出的 MAI 家族模型还包括语音生成模型 MAI-Voice-1，售价每百万字符 22 美元；以及图像模型 MAI-Image-2。微软表示，将 MAI-Transcribe-1 负责听、MAI-Voice-1 负责说，再搭配一个大语言模型，就能拼出一套完整的语音 Agent 底座。

为什么重要

语音转文字赛道沉寂了一段时间后，大厂的自研模型正在把开源基准和云服务价格重新洗牌。

对开发者和企业来说，0.36 美元一小时的价格门槛非常低。如果你的业务涉及客服质检、长录音归档、播客转字幕，或者正打算做跨国多语言的语音客服，MAI-Transcribe-1 无论在速度还是抗噪容错率上都值得现在就接入测试。特别是那些被传统开源模型在杂音下折磨过的团队，这个模型的工程抗噪能力正是刚需。

对行业而言，微软这一步走得相当直接。它不再只甘于做 OpenAI 模型的转售商或算力底座，而是拿出自研的 MAI 品牌，直接用自家评测把 Whisper-large-V3 和 Gemini 3.1 Flash 拉下水，同时以 2.5 倍的速度和低价给 AWS、Google Cloud 施加定价压力。

我们认为，微软自研语音模型最聪明的点在于「自产自销闭环」。语音模型最需要海量真实边缘数据来清洗迭代，而 Teams 的企业会议和 Copilot 的语音对话，正是全行业最庞大、也是最杂乱的真实语音数据池。不过目前它只支持 25 种语言，虽然覆盖了主要市场，但对于小语种或更复杂的方言环境，表现依然有待后续第三方生产环境的实际检验。