微軟釋出 MAI-Transcribe-1 語音模型：準確率超 Whisper，每小時 0.36 美元

開會時旁邊有人敲鍵盤、背景有咖啡機轟鳴，或者幾個人同時開口，語音識別往往瞬間變成「文字亂碼現場」。

Microsoft 推出多語言語音轉文字模型 MAI-Transcribe-1，正式在 Microsoft Foundry 開啟公開預覽，同時也上線了 Microsoft AI Playground 供測試。它的目標很明確，就是專治嘈雜、口音和現實生產環境裡的亂七八糟聲音。

25 種語言刷榜，速度還是舊版的 2.5 倍

根據官方公佈的資料，在覆蓋 25 種語言的 FLEURS 基準測試中，MAI-Transcribe-1 取得了最低的字詞錯誤率（WER）。

它在這項測試裡的表現直接超過了 Whisper-large-V3、Scribe v2、GPT-Transcribe 以及 Gemini 3.1 Flash-Lite。微軟在腳註中補充說明，在這 25 種主流語言中，MAI-Transcribe-1 在 11 種核心語言裡排名第一；剩下的 14 種語言也全部擊敗了 Whisper-large-v3，並在其中的 11 種裡勝過了 Gemini 3.1 Flash。

除了準確率，微軟這次在效率上也下了狠手。MAI-Transcribe-1 的批次轉錄速度達到了現有 Microsoft Azure Fast 方案的 2.5 倍，而且把延遲壓得很低，能夠兼顧即時字幕、會議轉錄和聽寫等線上場景。

價格方面，微軟把每小時音訊的轉錄費用定在 0.36 美元。官方直接將其標榜為大廠雲服務中最具價效比的語音識別選擇。

先進 Copilot 和 Teams，抗噪是硬功夫

官方演示了幾種極端工況：咖啡館嘈雜環境裡改簽機票、辦公室裡英西雙語夾雜並有人半途插話，甚至是在演唱會現場讓語音助手搶票。模型在背景雜音、低位元速率音訊以及多人說話重疊的情況下，都能準確輸出內容。

目前，MAI-Transcribe-1 已經在分批接入 Copilot 的語音模式以及 Microsoft Teams，為後續的紀要整理和下游任務提供底層轉錄。

微軟同時推出的 MAI 家族模型還包括語音生成模型 MAI-Voice-1，售價每百萬字元 22 美元；以及影像模型 MAI-Image-2。微軟表示，將 MAI-Transcribe-1 負責聽、MAI-Voice-1 負責說，再搭配一個大語言模型，就能拼出一套完整的語音 Agent 底座。

為什麼重要

語音轉文字賽道沉寂了一段時間後，大廠的自研模型正在把開源基準和雲服務價格重新洗牌。

對開發者和企業來說，0.36 美元一小時的價格門檻非常低。如果你的業務涉及客服質檢、長錄音歸檔、播客轉字幕，或者正打算做跨國多語言的語音客服，MAI-Transcribe-1 無論在速度還是抗噪容錯率上都值得現在就接入測試。特別是那些被傳統開源模型在雜音下折磨過的團隊，這個模型的工程抗噪能力正是剛需。

對行業而言，微軟這一步走得相當直接。它不再只甘於做 OpenAI 模型的轉售商或算力底座，而是拿出自研的 MAI 品牌，直接用自家評測把 Whisper-large-V3 和 Gemini 3.1 Flash 拉下水，同時以 2.5 倍的速度和低價給 AWS、Google Cloud 施加定價壓力。

我們認為，微軟自研語音模型最聰明的點在於「自產自銷閉環」。語音模型最需要海量真實邊緣資料來清洗迭代，而 Teams 的企業會議和 Copilot 的語音對話，正是全行業最龐大、也是最雜亂的真實語音資料池。不過目前它只支援 25 種語言，雖然覆蓋了主要市場，但對於小語種或更復雜的方言環境，表現依然有待後續第三方生產環境的實際檢驗。