TL;DR 太长不看
微软于 2026 年 9 月 3 日发布语音转文字模型 MAI-Transcribe-2，支持 60 种语言，FLEURS 测试集平均词错误率 5.2%，速度比 GPT-Transcribe 快 10 倍。限时定价每小时 0.10 美元，优惠持续至 2026 年年底，开发者可在 Microsoft Foundry、MAI Playground 和 OpenRouter 调用。
https://www.aosen.cc/wp-content/uploads/2026/09/20260907053611-8239.webp
MAI-Transcribe-2 是什么
MAI-Transcribe-2 是微软在 2026 年 9 月 3 日发布的 AI 语音转文字模型，官方称其在准确率、速度和价格三方面均居微软现有模型首位。
模型支持 60 种语言，支持自然混用语言的对话，无需预先指定语言即可自动检测录音语言。
准确率表现
在 FLEURS 测试集中，MAI-Transcribe-2 在强制指定语言和自动推断语言两种模式下的平均词错误率均为 5.2%。
同一测试中，Gemini 3.1 Pro 的两项结果分别为 5.3% 和 5.8%，GPT-Transcribe 为 10.4% 和 10.6%，Whisper v3-Large 为 22.8% 和 23.5%。
速度与价格
速度方面，微软援引 Artificial Analysis 评测称，MAI-Transcribe-2 比 GPT-Transcribe 快 10 倍，比 Scribe v2 快 7 倍，比 Gemini 3.5 Transcribe 快 5 倍。
价格方面，模型上市时限时收费每小时 0.10 美元（约合 0.67 元人民币），优惠持续至 2026 年年底。
模型面向字幕生产、会议记录、播客归档、客服质检等多类音频场景，开发者可以按小时计费批量处理录音资产。
功能特性
新模型内置说话人分离功能，可在一段录音内区分不同发言者，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，便于音频检索、导航、编辑和字幕对齐。
转写风格可配置。verbatim 模式保留语气词和口误，面向合规与分析工作。clean 模式删除语气词，生成更易读的字幕、笔记和发布文本。模型还支持关键词偏置和噪声环境转写。
By the Numbers 关键数字
- 发布时间：2026 年 9 月 3 日
- 支持语言：60 种，支持混说自动检测
- FLEURS 平均词错误率：5.2%（两种模式一致）
- 速度对比：比 GPT-Transcribe 快 10 倍
- 限时定价：0.10 美元/小时，优惠至 2026 年底
- 调用渠道：Microsoft Foundry、MAI Playground、OpenRouter
主流转录模型错误率对比
| 模型 | 指定语言词错误率 | 自动推断词错误率 |
|---|---|---|
| MAI-Transcribe-2 | 5.2% | 5.2% |
| Gemini 3.1 Pro | 5.3% | 5.8% |
| GPT-Transcribe | 10.4% | 10.6% |
| Whisper v3-Large | 22.8% | 23.5% |
以上数据来自微软援引的 FLEURS 测试结果，具体以各官方发布为准。
常见问题
问 MAI-Transcribe-2 是什么。
它是微软 2026 年 9 月 3 日发布的 AI 语音转文字模型，官方称是其最快、最准确、最便宜的转录模型。
问 支持多少种语言。
支持 60 种语言，支持自然混用语言对话，可自动检测录音语言。
问 多少钱。
上市限时价每小时 0.10 美元，约合 0.67 元人民币，优惠持续至 2026 年年底。
问 和 Whisper 比怎么样。
在 FLEURS 测试中其词错误率为 5.2%，Whisper v3-Large 为 22.8% 和 23.5%，准确率差距明显。
问 能区分说话人吗。
能。新模型内置说话人分离功能，并提供逐词时间戳，适合字幕对齐与音频检索。
问 在哪里可以调用。
开发者可在 Microsoft Foundry、MAI Playground 和 OpenRouter 调用或试用该模型。
来源说明
本稿综合以下来源撰写，采集时间为 2026 年 9 月 7 日。
一、IT之家 2026 年 9 月 4 日报道（ithome.com/0/998/241.htm），提供发布时间、定价、错误率与速度对比数据。
二、微软官方博文（2026 年 9 月 3 日），为上述报道的原始出处。
文中评测数据以微软官方发布为准。
最后更新 2026-09-07
