专题 · FULL STORY

微软 MAI-Transcribe-2：发布即霸榜的转写模型

微软 9 月 3 日发布语音转写模型 MAI-Transcribe-2，411 倍实时速度与全市场最低价格引发关注，上线仅 5 天即在 OpenRouter 跑出 100 万次请求。

2026-09-03 ~ 2026-09-12 · 2 集 · 15 条

第 1 集 · 微软发布 MAI-Transcribe-2：411 倍实时、价格全市场最低(2026-09-03,13 条)

微软 AI 于 9 月 3 日发布语音转写模型 MAI-Transcribe-2，由微软 AI 负责人 Mustafa Suleyman 官宣，同步上线 Artificial Analysis 的非流式 ASR 排行榜，可通过 Microsoft Foundry 使用，并已上线 OpenRouter。该模型在准确率、速度与价格上均进入市场第一梯队，其中定价为全市场最低，被普遍视为对 OpenAI、Google 与 ElevenLabs 同类服务的直接冲击。

已确认

  • 准确率：整体 AA-WER 为 2.0%，在 Artificial Analysis 榜单排名第二，仅次于阿里 Fun-Realtime-ASR-preview；另据 altryne 转述与 emmanuelvivier 日报，该模型在 FLEURS 基准 60 种语言排名第一，平均词错率（WER）5.2%。
  • 速度：达 411 倍实时；据 Suleyman 介绍，比 GPT-Transcribe 快 10 倍、比 Gemini 3.5 快 5 倍。altryne 实测称 90 分钟音频约 15 秒转写完成。
  • 定价：经 Microsoft Foundry 提供，每小时 $0.10，约合每千分钟音频 $1.67，低于 ElevenLabs 等竞品，为全市场最低价。据 VentureBeat 报道（经 MichaelFNunez 转述），官方称 2026 年前维持该定价，且宣称表现超过 Gemini 3.5 Transcribe 和 GPT-Transcribe。
  • 可用性：除 Microsoft Foundry 外，MAI-Transcribe 2 已上线 OpenRouter，支持 60 种语言的语音转文字，可自动识别语言、处理中英夹杂，并支持说话人分离与词级时间戳。altryne 实测称其准确率明显优于大部分此前模型。
  • 背景：据 luisdans 转述，该模型是微软内部 AI 团队（MAI）的成果，已服务于 BizChat 等产品，微软高管也转发 VentureBeat 报道强调其成本与性能的平衡，官方同时征集用户反馈。

为什么重要

  • 语音转写市场竞争加剧，微软以「准确率接近榜首 + 极高推理速度 + 压倒性低价」的组合切入，在价格和速度两项指标上同时压制 OpenAI、Google 和 ElevenLabs，对 GPT-Transcribe、Gemini 及阿里 Fun-Realtime-ASR 等竞品形成直接压力。
  • $1.67/千分钟的定价大幅拉低大规模音频转写（如播客、会议、视频字幕）的门槛，可能加速行业价格战。
  • 上线 OpenRouter 并支持 60 种语言、说话人分离与词级时间戳，降低了开发者接入门槛，有利于其在生态层面快速铺开。

第 2 集 · 微软 MAI-Transcribe-2 上线 5 天处理百万次请求(2026-09-11,2 条)

微软 AI 负责人 Mustafa Suleyman 官宣语音转录模型 MAI-Transcribe-2，可将任意音频快速转为高精度文字，单一模型覆盖多语言、多口音和嘈杂环境，内置说话人分离与时间戳。该模型在 OpenRouter 上线仅 5 天即处理了 100 万次请求，热度可观。