微软AI于本周四推出新一代语音识别产品 MAI‑Transcribe‑2。官方宣称该模型在速度、准确率以及定价层面全面优于 OpenAI、Google、ElevenLabs 的转录服务，并且打出每音频小时 0.10美元 的早鸟优惠价格。短短五个月时间，微软转录服务单价从0.36美元下降72%，大幅降低企业语音转文字业务的使用成本。以年处理10万小时客服音频的中型企业为例，费用直接由36000美元降至10000美元，语音转录从此不再是高昂的预算开销。
- 官方介绍：https://microsoft.ai/news/mai-transcribe-2-is-the-fastest-most-accurate-and-cheapest-speech-recognition-model-in-the-world
这款产品也是微软战略转向最清晰的信号：一步一个模态搭建自研前沿模型，逐步将原本运行于OpenAI技术之上的内部业务进行替换。语音转录是目前推进速度最快的一条赛道，MAI‑Transcribe‑2的落地，预示着微软未来即便脱离投入130亿美元合作的OpenAI，也有足够能力独立在AI赛道展开竞争。
企业级全功能语音转录，60种语言原生支持
相较于前代版本，模型语言支持数量大幅提升：初代MAI‑Transcribe‑1仅覆盖25种语言，1.5版本拓展至43种，而本次发布的二代模型已经支持60种语言识别，可在Microsoft Foundry模型市场以及MAI Playground测试环境当中调用。
模型专为真实嘈杂的企业音频场景优化，能够应对背景噪音、低质量录音、多人语音重叠等复杂环境，而非只能适配纯净的录音室音频。
所有高阶功能全部打包进基础0.1美元定价内，无需额外付费解锁：
- 说话人分离：区分多人对话当中每一位发言者，输出可用的会议纪要
- 词级时间戳：为每一个文字打上精确时间标记，方便音频检索、字幕剪辑、音画对齐
- 关键词偏置：导入药品名称、产品编码、员工名单等专属术语，减少行业专有名词识别错误
- 自动语种识别：调用时无需提前指定音频语言，模型自动判别
- 双模式输出风格：逐字模式完整保留语气词、卡顿、口误，适配法务、合规场景；干净模式剔除填充词，生成可读性更强的文稿笔记
- 语码切换识别：完美识别一句话中途切换语种的对话，例如印地‑英语、西班牙语‑英语混合对话，面向印度、拉美等双语高频市场。
行业内绝大多数服务商都会将说话人分离、时间戳等能力拆分成增值项目单独收费，微软本次直接将全套功能纳入基础套餐，形成极强的价格竞争力。
三大基准测试结果解读，速度优势显著
微软从三项不同维度公布性能数据，三项指标分别对应朗读语音、真实商业对话、推理速度：
- FLEURS多语言基准：60种语言平均词错误率5.2%，榜单排名第一。FLEURS数据集为母语者朗读音频，适合横向对比多国语言识别水平。值得留意，相比1.5版本3.7%的平均错误率数值有所上升，本质是新增大量低资源语种之后带来的正常变化，并不代表性能倒退。企业选型时建议单独核查目标语种的分项准确率。
- Artificial Analysis排行榜：综合商业对话、财报电话、会议语音等真实素材测试，模型位列榜单第二名，达成准确率‑延迟的帕累托前沿。即竞争对手无法做到更快同时更准。此前1.5版本位列第三，现已超越ElevenLabs Scribe v2。
- 推理吞吐量：实测速度对比，比OpenAI GPT‑Transcribe快10倍，比ElevenLabs Scribe v2快7倍，比Gemini 3.5 Transcribe快5倍。超高吞吐量大幅降低GPU资源消耗，也是微软能够给出极低定价同时保障盈利的核心原因。
五个月迭代三次，微软自研语音团队加速落地
从4月初代上线至今，MAI转录产品线保持着非常高频的更新节奏：
- 4月：MAI‑Transcribe‑1，25种语言，0.36美元/小时
- 6月：MAI‑Transcribe‑1.5，43种语言，新增关键词偏置
- 9月：MAI‑Transcribe‑2，60种语言，全套高阶功能，0.10美元/小时
微软AI负责人Mustafa Suleyman透露，初代转录模型由一支10人的精干小团队完成开发，剥离内部繁琐流程；该模型GPU运行成本仅为其他顶尖模型的一半。扁平化小团队攻坚的模式，已经成为微软自研AI赛道重要的组织试验田。
逐步解绑OpenAI：自研模型降低业务成本
微软累计为OpenAI投入超130亿美元，但是近一年双方合作协议已经经历两轮重大修订。微软获得独立研发AGI、不再独享OpenAI模型访问权限的空间，MAI系列自研模型就是这条路线下的产物。
商业层面的收益同样清晰：每一次调用OpenAI模型都会产生外部采购成本，而运行微软自家MAI模型，则可以利用自有算力降低开销。早在7月，微软就已经在Word、Excel当中，将一部分用户提示词的负载切换至自研MAI模型。
而语音转录会产生海量音频工作负载：Teams会议录音、Nuance医疗语音文档、Azure语音客户业务，全部都是可迁移的目标。将这一部分负载切换到MAI‑Transcribe‑2之后，微软不再需要向第三方服务商支付转录费用。
行业竞争格局变化
本次产品发布微软对标对象为OpenAI、谷歌、ElevenLabs等前沿AI实验室，暂时没有把Deepgram、AssemblyAI这类深耕多年的企业语音服务商列为直接对手。
0.1美元每小时的定价，已经下压至传统语音服务商大批量企业合约的价格区间。传统厂商仅剩行业深度定制作为护城河，而微软推出的关键词偏置功能，正是瞄准行业术语识别这一块市场。
榜单上长期领跑的阿里语音模型并未出现在微软对比名单当中，侧面传递出微软面向美国本土企业客户，提供高性价比、合规可控的替代选型。
企业部署之前有待确认的关键问题
虽然基准测试成绩亮眼，但是正式投产前仍有五项重要信息需要核实：
- 定价有效期：0.1美元属于早鸟优惠，官方并未公布优惠结束时间以及常规售价
- 实时转录能力：本次公告重点宣传批量音频处理吞吐量，并未提及流式实时转录，语音代理、实时字幕场景的适配情况尚不明确
- 分语种准确率：60语种平均5.2%错误率并不代表所有语言表现一致，低资源语种识别效果需要单独实测
- 说话人分离精度：词错误率无法衡量发言人识别对错，暂无说话人归属错误率相关数据
- 音频数据隐私策略：公告未说明音频文件的数据留存、地域驻留政策，上传至Foundry的音频是否用于后续模型训练没有明确公示，医疗、法律等强监管行业需要重点确认。
MAI战略全貌：打造一站式自研模型矩阵
MAI‑Transcribe‑2并不是一款孤立的语音产品，而是微软一整套自研模型布局当中的一环。目前MAI产品线已经覆盖图像、语音转录、代码、通用推理、网络安全等多个方向。微软不再执着于打造一款全方位对标GPT、Gemini的全能大模型，转而选择开发一批垂直专精模型，优先承接自家Office、Teams、Azure内部业务负载，剩余算力资源对外销售。
语音转录作为第一个走向成熟落地的赛道，也为微软后续其他模态模型的商业化提供了完整模板。MAI‑Transcribe‑2现已开放，开发者可前往 Microsoft Foundry、MAI Playground体验调用。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
