微软发布语音模型 MAI-Transcribe-2：速度快 10 倍，每小时 0.1 美元

以前大家做语音转文字，要么自己部署开源的 Whisper，要么咬牙掏钱调商业 API。现在微软把自家人工智能团队拉出来，直接向市场上所有的转录模型下了战书。

微软正式推出语音识别模型 MAI-Transcribe-2。官方给它的定调非常直接：全球速度最快、准确率最高，而且价格最便宜。

把速度拉高 10 倍，还把杂音和混杂语言啃下来了

这不只是官方自卖自夸。在第三方评测机构 Artificial Analysis 的基准测试里，MAI-Transcribe-2 直接划出了准确率与延迟的帕累托前沿。

具体跑分对比下来，它的速度是 OpenAI 旗下 GPT-Transcribe 的 10 倍，比 ElevenLabs 的 Scribe v2 快 7 倍，比 Gemini 3.5 Transcribe 快 5 倍。在 Artificial Analysis 的字错率排行榜上，它冲到了第二名。

而在涵盖 60 种语言的公开多语言基准测试 FLEURS 上，它拿下了第一名，平均字错率只有 5.2%。

除了跑分，这次更新解决的全是实际业务里让人头疼的痛点。首先是说话人分离，录音里谁说了什么，模型能自动区分并打上标签。

其次是词级时间戳，每个词都有精确对应的时间，方便做字幕对齐、音视频剪辑和精准搜索。

它还支持关键词偏置功能。像医疗、法律这种专业领域里晦涩的术语、缩写或者人名，只要给个提示，模型就不会瞎猜。

在输出格式上，开发者可以在两种风格之间切换。一种是逐字记录模式，连语气词和口误都留着，专门应付合规审查或心理分析；另一种是干净模式，直接把废话过滤掉，导出一篇清爽易读的纪要。

面对跨语言交流，它不仅能自动识别语种，还能听懂代码切换，也就是一句话里混着讲两种语言，比如印式英语或西式英语，在嘈杂环境下也能稳定识别。

目前这个模型已经在 Microsoft Foundry、MAI Playground 以及 OpenRouter 上线。为了抢市场，微软把限时尝鲜价定在每小时音频 0.10 美元，优惠一直持续到今年年底。

为什么重要

对开发者和企业来说，这个定价和速度基本上是在逼人换方案。每小时 0.10 美元的价格相当低廉，加上最高 10 倍的提速，处理海量长音频或者客服质检的成本会直接被砍掉一大截。如果你之前还在为长音频转录过慢或者多语言支持发愁，现在非常值得接入测试一下。

对整个行业而言，转录市场原本是 Whisper 生态、OpenAI 和 ElevenLabs 这类垂直厂商的主场。微软这次靠自研架构把吞吐量拉大、成本压低，看起来是要在基础设施层把溢价彻底打下来，逼着对手要么降价，要么拿出更强的实时多模态交互能力。

我们认为，微软这一步走得相当务实。它没有去拼那些华而不实的概念，而是把工程细节做到了极致：词级时间戳、语气词过滤和关键词偏置，全都是企业落地最需要的刚需配置。不过潜在的隐患在于，0.10 美元只是年底前的限时促销价，等优惠期过了，价格回升到什么水平，才是决定它能否长期留住开发者的关键。