微軟釋出語音模型 MAI-Transcribe-2：速度快 10 倍，每小時 0.1 美元

以前大家做語音轉文字，要麼自己部署開源的 Whisper，要麼咬牙掏錢調商業 API。現在微軟把自家人工智慧團隊拉出來，直接向市場上所有的轉錄模型下了戰書。

微軟正式推出語音識別模型 MAI-Transcribe-2。官方給它的定調非常直接：全球速度最快、準確率最高，而且價格最便宜。

把速度拉高 10 倍，還把雜音和混雜語言啃下來了

這不只是官方自賣自誇。在第三方評測機構 Artificial Analysis 的基準測試裡，MAI-Transcribe-2 直接劃出了準確率與延遲的帕累托前沿。

具體跑分對比下來，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 的字錯率排行榜上，它衝到了第二名。

而在涵蓋 60 種語言的公開多語言基準測試 FLEURS 上，它拿下了第一名，平均字錯率只有 5.2%。

除了跑分，這次更新解決的全是實際業務裡讓人頭疼的痛點。首先是說話人分離，錄音裡誰說了什麼，模型能自動區分並打上標籤。

其次是詞級時間戳，每個詞都有精確對應的時間，方便做字幕對齊、音影片剪輯和精準搜尋。

它還支援關鍵詞偏置功能。像醫療、法律這種專業領域裡晦澀的術語、縮寫或者人名，只要給個提示，模型就不會瞎猜。

在輸出格式上，開發者可以在兩種風格之間切換。一種是逐字記錄模式，連語氣詞和口誤都留著，專門應付合規審查或心理分析；另一種是乾淨模式，直接把廢話過濾掉，匯出一篇清爽易讀的紀要。

面對跨語言交流，它不僅能自動識別語種，還能聽懂程式碼切換，也就是一句話裡混著講兩種語言，比如印式英語或西式英語，在嘈雜環境下也能穩定識別。

目前這個模型已經在 Microsoft Foundry、MAI Playground 以及 OpenRouter 上線。為了搶市場，微軟把限時嚐鮮價定在每小時音訊 0.10 美元，優惠一直持續到今年年底。

為什麼重要

對開發者和企業來說，這個定價和速度基本上是在逼人換方案。每小時 0.10 美元的價格相當低廉，加上最高 10 倍的提速，處理海量長音訊或者客服質檢的成本會直接被砍掉一大截。如果你之前還在為長音訊轉錄過慢或者多語言支援發愁，現在非常值得接入測試一下。

對整個行業而言，轉錄市場原本是 Whisper 生態、OpenAI 和 ElevenLabs 這類垂直廠商的主場。微軟這次靠自研架構把吞吐量拉大、成本壓低，看起來是要在基礎設施層把溢價徹底打下來，逼著對手要麼降價，要麼拿出更強的即時多模態互動能力。

我們認為，微軟這一步走得相當務實。它沒有去拼那些華而不實的概念，而是把工程細節做到了極致：詞級時間戳、語氣詞過濾和關鍵詞偏置，全都是企業落地最需要的剛需配置。不過潛在的隱患在於，0.10 美元只是年底前的限時促銷價，等優惠期過了，價格回升到什麼水平，才是決定它能否長期留住開發者的關鍵。