MAI-Transcribe-2 是什么？微软最强语音转文字模型：价格、性能与使用教程

本文由 AI345 团队撰写。我们长期跟踪 AI 语音工具与模型动态，写作前逐条核对了微软官方博客、Microsoft Learn 官方文档与 Artificial Analysis 评测数据，所有关键数据都在文中标注了来源。最后更新于 2026 年 9 月 7 日。

MAI-Transcribe-2 是微软 AI 团队（Microsoft AI，简称 MAI）2026 年 9 月 3 日发布的语音转文字（Speech-to-Text）模型，官方称它是"目前全球最快、最准、最便宜的语音识别模型"：在 FLEURS 基准测试的 60 种语言中，平均词错误率（WER）仅 5.2%，处理速度比 GPT-Transcribe 快 10 倍，限时价格每小时音频仅 0.1 美元（约 0.72 元人民币）。

本文速览：

• 它是什么：微软自研的新一代语音转文字模型，上一代 MAI-Transcribe-1 已于 2026 年 8 月 20 日弃用
• 准确率：60 种语言平均词错误率 5.2%，FLEURS 榜第一
• 速度：比 GPT-Transcribe 快 10 倍、比 ElevenLabs Scribe v2 快 7 倍
• 价格：限时每小时 0.1 美元，优惠持续到 2026 年底
• 怎么用：MAI Playground 在线试用、OpenRouter 调用、Microsoft Foundry / Azure API 接入
• 中文支持：官方支持 60 种语言含中文，中文使用者最关心的细节见下文

MAI-Transcribe-2 是什么？

MAI-Transcribe-2 是微软 AI 团队内部构建的下一代语音转文字模型，一句话概括：把音频快速转成准确文字，且说话人分离、时间戳、行业术语识别全部内置。它属于微软 MAI 系列模型（与 MAI-Image、MAI-Voice 等同系列），目前以公共预览版（Preview）形式提供。

官方给它的定位是覆盖真实工作场景：视频字幕、会议记录、临床笔记、呼叫中心文档、无障碍工具、内容创作和语音代理（Voice Agent）都可以用同一个模型完成。

它的基本参数如下：

数据来源：微软官方博客与 Microsoft Learn 官方文档。

核心功能：六个值得关注的点

1. 说话人分离（Diarization）

一段多人会议录音，模型能自动区分"谁说了哪句话"，把每段文字归属到对应的说话人。做会议纪要时不用再人工标注发言人。

2. 逐词时间戳（Word-level Timestamps）

每个词都有精确的时间位置，可直接用于字幕对齐、音频检索、跳转播放和后期剪辑。

3. 两种转写风格：verbatim 和 clean

• verbatim（逐字）模式：保留语气词、口误和重复，适合合规存档、语言学分析
• clean（干净）模式：自动删除"嗯、呃"等填充词，直接输出可读性高的字幕、笔记和发布文本

4. 关键词偏置（Keyword Biasing）

可以预设一份领域术语表（产品名、人名、缩写等），模型会优先按你给的词表识别，专有名词的准确率明显提升。这是很多通用转写工具做不好的地方。

5. 自动语言识别与语码切换

不用预先指定语言，模型自动检测；中英混说、印地语-英语混说（Hinglish）这类自然混用语言的对话也能处理。

6. 噪声环境鲁棒性

官方明确强调在嘈杂真实录音（咖啡厅、街头、远程通话）下保持准确率，而不是只对录音棚级音频表现好。

MAI-Transcribe-2 准确率怎么样？

在公开多语言基准 FLEURS 上，MAI-Transcribe-2 在 60 种语言的平均词错误率（WER）为 5.2%，无论"指定语言"还是"自动检测语言"两种模式都是 5.2%，在 FLEURS 榜单排第一；在 Artificial Analysis 的词错误率排行榜上排第二，并拿下准确率-延迟的帕累托前沿（即"又快又准"的最优边界）。

横向对比（数据来源：微软官方博客，2026 年 9 月）：

两点提醒：

• 词错误率越低越好，5.2% 意味着平均每 100 个词错约 5 个，会议纪要、字幕场景已经够用
• 以上是 60 种语言的平均值，具体到某一种语言（比如中文）会有差异；官方目前没有单独公布中文的词错误率，有第三方工具站称中文 WER 约 4.5%，该数字未经官方确认，建议以自己的真实音频实测为准

速度与价格：比 GPT-Transcribe 快 10 倍，每小时 0.1 美元

速度方面，微软援引第三方评测机构 Artificial Analysis 的数据：MAI-Transcribe-2 比 OpenAI 的 GPT-Transcribe 快 10 倍，比 ElevenLabs 的 Scribe v2 快 7 倍，比 Gemini 3.5 Transcribe 快 5 倍。1 小时的音频大约 9 秒就能转完，长音频场景（会议全程录像、播客归档）提升尤其明显。

价格方面，上线时执行限时优惠价 0.1 美元 / 小时音频（约 0.72 元人民币），优惠持续到 2026 年底。微软说这个定价来自模型的高吞吐效率，是"市场上最有竞争力的价格"；优惠期结束后的正式价格官方还没有公布，如果你的用量大，建议在优惠期内多转存一些历史音频。

对照一下：人工整理 1 小时会议录音通常要 1-2 小时，而 0.72 元、9 秒出初稿，这就是它对成本结构的实际改变。

MAI-Transcribe-2 怎么用？三种渠道

渠道一：MAI Playground（在线试用，零门槛）

打开 microsoft.ai/models/mai-transcribe-2，点击页面上的 "Try in playground"，即可在 MAI Playground 里上传音频试用，适合发布前先感受效果。

渠道二：OpenRouter（一个 API Key 调用多家模型）

MAI-Transcribe-2 已上架 OpenRouter。如果你已经在用 OpenRouter 聚合接口，直接在请求里指定模型即可，不用另开 Azure 账号。国内用户如何注册、充值和调用，可以参考我们的 OpenRouter 国内使用指南。

渠道三：Microsoft Foundry / Azure（生产环境推荐）

这是官方主推的正式接入方式，步骤如下：

1. 注册 Azure 账号（可免费创建）
2. 在 Azure 门户创建 Microsoft Foundry 语音资源，获取 API 密钥和区域终结点
3. 调用快速转录 API 时，在请求参数中设置 enhancedMode.enabled = true，并指定 enhancedMode.model = "MAI-Transcribe-2"
4. 上传音频文件（WAV / MP3 / FLAC，小于 300MB），按需开启说话人分离、词级时间戳等参数
5. 接收返回的 JSON：完整文本、逐词时间戳、说话人标签、自动检测的语言代码

注意两点：该功能目前是公共预览版，无服务级别协议（SLA），官方不建议直接用于生产关键业务；另外上一代 MAI-Transcribe-1 已于 2026 年 8 月 20 日弃用，老用户需要迁移到 2 或 1.5 版本。详细参数见 Microsoft Learn 官方文档。

和主流转写模型怎么比？

怎么选，一句话版本：

• 要准、要快、要省事：MAI-Transcribe-2 目前是均衡最优解
• 数据不能出内网：选 Whisper 本地自部署（准确率低一些，但数据完全可控）
• 已经在 Gemini 生态里：Gemini 3.5 Transcribe 也可用，我们之前写过它的详细指南

值不值得用？我们的分析

综合官方数据和使用门槛，我们给出这样的判断（这是本文的原创分析部分）：

适合优先尝试的人：

• 每周有大量会议录音要整理的团队（说话人分离 + clean 模式直出纪要）
• 做播客、访谈类内容的创作者（逐词时间戳对齐字幕，后期效率翻倍）
• 做语音代理、呼叫中心质检的开发者（速度和单价对高并发场景非常友好）
• 做多语言内容的中英双语团队（60 种语言一个模型覆盖）

建议观望或选别的：

• 对数据合规要求高、要求本地部署的：选 Whisper 自部署
• 需要生产级 SLA 保障的：等预览版转正式版再接入核心链路
• 只想转写几分钟的零散语音：手机输入法自带的语音转文字已经够用

另外提示一句：限时价格到 2026 年底结束，正式定价公布后这篇文章会更新对比结论。

总结

MAI-Transcribe-2 把"最准、最快、最便宜"三个维度同时拉到了第一梯队：60 种语言 5.2% 的平均词错误率、比 GPT-Transcribe 快 10 倍的处理速度、限时每小时 0.1 美元的价格，再加上原生说话人分离和逐词时间戳，对做会议纪要、字幕、语音代理的开发者和内容创作者来说，是目前性价比最高的起点。

建议动作：先用 MAI Playground 用自己的真实音频试一轮中文效果，用量大就在 2026 年底优惠期结束前接入批量转写。

想继续了解同类工具，可以读我们的 2026 年 AI 语音产品评测、Gemini 3.5 Transcribe 指南，以及会议场景配套的 2026 年最佳 AI 笔记应用推荐。更多 AI 工具与模型动态，欢迎到 AI345 首页逛逛。

参考来源：

1. Microsoft AI 官方博客：MAI-Transcribe-2 发布公告（2026-09-03）
2. Microsoft Learn：MAI-Transcribe Azure 语音服务官方文档
3. Microsoft AI：MAI-Transcribe-2 模型页
4. Artificial Analysis：语音模型评测排行榜

本文由 AI345 发布，最后更新于 2026 年 9 月 7 日。限时价格、预览版功能等信息可能随官方更新变化，我们会持续跟进并在有实质变化时更新本文。