摘要：
2026年9月3日，微软正式推出MAI-Transcribe-2——一款AI语音转写模型，专为会议录音、访谈、播客、视频音频等高精度转写场景设计。支持60... 2026年9月3日，微软正式推出MAI-Transcribe-2——一款AI语音转写模型，专为会议录音、访谈、播客、视频音频等高精度转写场景设计。支持60种语言与自然混语识别，在FLEURS 60语言基准上平均词错误率仅5.2%，Top 25语言低至3.4%。1小时音频约10秒返回，限时计费$0.10/小时音频至2026年底。模型通过Microsoft Foundry、MAI Playground与OpenRouter三个入口开放调用。
一、把工程投入压到单一场景
MAI-Transcribe-2在FLEURS 60语言基准上的表现（5.2%）明显优于开源的Whisper v3-Large（22.8%）。它的策略很直接：不追逐通用能力，而是把工程投入全压在语音转写这一垂直场景上，以更低成本换取更高的准确率与吞吐。单模型覆盖60种语言，支持自动语言识别与混语（code-switching），如Hinglish、Spanglish等无需预先指定语言，在背景噪声下也能保持转写质量。
说话人分离与逐词时间戳：说话人分离能区分不同发言者并把文字归属到对应说话人；逐词时间戳为每个词标注精确位置，便于检索、导航与字幕对齐。
verbatim与clean双模式转写：verbatim保留语气词与口误，面向合规与分析；clean去除语气词并自动格式化，产出易读的字幕、笔记与发布文本。
关键词偏置与自动混语识别：帮助模型识别领域术语、缩写与专有名词。
在AI工具导航的框架下，MAI-Transcribe-2与开源的Whisper、FunASR形成明确区隔——它不提供自部署选项，但用极低的定价和托管服务换取了免运维的体验。对于需要处理多语种、高并发语音转写任务的企业而言，这意味着可以避开自建GPU集群、多模型编排等工程负担，直接通过API接入生产流程。在AI办公软件推荐的语境中，MAI-Transcribe-2适合集成到会议纪要、视频字幕、客服录音分析等办公场景中，作为企业语音工作流的底层转写组件。
二、与同类模型的对比
| 对比维度 | MAI-Transcribe-2 | Gemini 3.5 Transcribe | Whisper v3-Large | FunASR |
|---|---|---|---|---|
| 开发方 | 微软 | 谷歌 | OpenAI | 阿里达摩院 |
| 产品定位 | 语音转写模型 | 语音转文本与自动整理 | 开源语音转写 | 开源语音识别工具包 |
| FLEURS平均WER | 5.2% | 未公布同口径 | 22.8% | 未公布同口径 |
| 支持语言 | 60种 | 85种以上 | 约100种 | 以中文为主 |
| 说话人分离 | 支持 | 支持（最多3人） | 不支持 | 支持 |
| 开源程度 | 闭源 | 闭源 | 开源（MIT） | 开源 |
| 计费参考 | $0.10/小时 | 公开预览免费 | 免费开源 | 免费开源本地部署 |
三、应用场景与适用人群
会议与访谈记录：自动区分发言者并生成带时间戳的文字稿，便于会后检索、归档与要点提炼
字幕与无障碍：clean模式产出易读字幕，支持播客、视频、直播的多语种字幕与无障碍转写
医疗与法律文档：verbatim模式保留原话，满足临床记录、法务笔录等强合规留痕需求
适用人群：媒体剪辑与字幕组、企业会议记录岗、医疗与法律等强合规行业，以及构建语音Agent、客服分析的研发团队。
四、如何使用
MAI-Transcribe-2通过Microsoft Foundry（Azure Speech公开预览）、MAI Playground与OpenRouter三个入口开放调用。需Azure订阅并创建语音资源，调用Fast Transcription API时启用enhanced模式，把model属性指定为MAI-Transcribe-2。上传不超过300 MB的WAV/MP3/FLAC文件，按需开启说话人分离、逐词时间戳与关键词偏置，接口返回带说话人标签与时间戳的文本。注意Azure Speech上当前为公开预览（无SLA），不建议承载生产负载。
五、定价与开源情况
MAI-Transcribe-2上市时限时计费$0.10/小时音频，优惠至2026年底。上一代MAI-Transcribe-1.5为$0.36/小时，二代新增说话人分离等能力的同时把单价压低近70%。2027年定价尚未公布。在语音转写这一垂直赛道上，开源方案虽免费但需自建算力与工程，MAI-Transcribe-2的托管价则在精度与成本之间取得了更直接的平衡。模型为闭源商业模型，未开放权重，不支持本地自部署。