9月4日消息，微软发布语音转写模型 MAI-Transcribe-2，支持 60 种语言，已上线 Microsoft Foundry、MAI Playground 和 OpenRouter。微软称，该模型在多语言基准 FLEURS 上以 5.2% 的平均词错误率（WER）排名第一。第三方测评机构 Artificial Analysis 的测速显示，其处理速度约为 OpenAI GPT-Transcribe 的 10 倍。上线定价为每音频小时 0.10 美元，官方写明这是持续到今年底的限时价格，之后的常态价格目前未公布。 三组数字，三个口径
准确率有两套说法。微软的官方口径是，MAI-Transcribe-2 在 FLEURS 覆盖的 60 种语言上平均词错误率 5.2%，排名第一；官网的版本对照页还给出另一个口径，在使用最多的 25 种语言上平均词错误率为 3.4%，上一代 MAI-Transcribe-1.5 为 3.7%。FLEURS 是谷歌研究人员 2022 年发布的多语言语音识别基准，测的是朗读语音而非真实对话，5.2% 大致相当于每 20 个词错一个。
速度数字来自第三方。微软引用 Artificial Analysis 的测评称，该模型在其词错误率榜单上排名第二，错误率 2.0%，1 小时音频约 10 秒返回结果。据同一机构的测速，其速度约为 GPT-Transcribe 的 10 倍、ElevenLabs Scribe v2 的 7 倍、谷歌 Gemini 3.5 Transcribe 的 5 倍。这组对比测的是批量转写的吞吐，不是实时场景。 两组数字之外还有没填的空。微软没有公布 60 种语言的逐语种错误率，也没有给出说话人分离的准确率指标，后者决定多人会议转写能不能直接可用。
每音频小时 0.10 美元是什么性质的价格
官方发布页写明，0.10 美元/音频小时是限时优惠，持续到今年底。作为参照，今年4月发布的 MAI-Transcribe-1 定价 0.36 美元/音频小时；OpenAI 官网对 GPT-Transcribe 的定价为 0.0045 美元/分钟，约合每音频小时 0.27 美元。
这个价格里打包了过去常要另付费的能力。新模型支持说话人分离、词级时间戳、关键词偏置和自动语言识别，能处理一句话内切换语言的混语音频，并提供保留语气词的逐字稿和去填充词的干净稿两种输出。据 VentureBeat 报道，这些能力在专业转写厂商处历史上多作为附加项单独收费。
可用性上有两条边界。在 Azure Speech 一侧，该模型目前是公开预览状态，没有服务等级协议，官方文档不建议用于生产负载，单文件上限 300 MB。发布内容强调批量与长音频处理，没有提实时流式转写，而实时字幕和语音 Agent 恰恰需要后者。
五个月三代，转写是 MAI 跑得最快的一条线
这是这条产品线五个月里的第三次发布。4月2日的 MAI-Transcribe-1 支持 25 种语言，6月2日的 1.5 代扩到 43 种并加入关键词偏置，这一代扩到 60 种、补上说话人分离和词级时间戳。一代已于8月20日弃用。
MAI 是微软 AI 部门的自研模型线，由 Mustafa Suleyman 领导。据 VentureBeat 梳理，微软与 OpenAI 在 2025年10月重组合作协议，微软首次获准独立推进通用人工智能研发，今年4月协议再次修订。7 月，Bloomberg 报道微软已在 Word 和 Excel 中用 MAI 模型处理部分用户提示。微软自己手里就有大量转写负载：Teams 的会议音频、Nuance 的医疗听写、Azure 语音服务的企业调用，每小时转到自研模型上，就少付一笔外部成本。
迭代速度解释了低价的来源。批量转写下吞吐就是成本，速度快一倍，省下的 GPU 时间就是一笔钱，第三方测出的数倍速度差让 0.10 美元的定价在成本上站得住。对企业买家，功能打包加限时低价意味着今年的转写预算可以重算。微软官方的对照名单只点了 OpenAI、谷歌和 ElevenLabs 这些前沿实验室，没有提 Deepgram、AssemblyAI 等专业转写厂商。据 VentureBeat 报道，0.10 美元已经压到许多专业厂商大用量企业合同的价格附近。
这条产品线之外的话目前还说不了。限时价年底到期而常态价未定，公开预览没有服务等级协议，流式能力缺席，专业转写厂商的份额会怎么变化，现在没有下结论的依据。
AI 速览
