微软 MAI-Transcribe-2 语音识别模型在 Foundry 正式 GA：单模型覆盖 60 种语言、内置说话人分离，1 小时音频约 10 秒转完，年底前每小时 0.10 美元

核心背景与行业痛点

会议纪要、客服质检、病历记录和语音智能体都离不开语音转文字，但过去开发者常在三者间取舍：准确率高的模型慢、贵，按分钟计费让大批量转写难以承受；多语言、说话人分离、时间戳还要拼接多个服务。Microsoft AI 9 月 3 日推出 MAI-Transcribe-2 公开预览，11 月 12 日官方 X 账号 @MicrosoftAI 宣布它在 Microsoft Foundry 正式 GA，可以放进生产环境。

架构亮点与底层机制

这是 Microsoft AI 自研的语音识别模型，和 MAI-Voice-2、MAI-Image-2.6 同属 MAI 模型家族。官方没有公开参数规模和结构细节。能力上，一个模型覆盖 60 种语言并自动判断语种，能处理句中切换语言的对话；说话人分离、词级时间戳、关键词偏置都是模型内置能力，转写风格可选保留口头禅的 verbatim 或去掉填充词的 clean。

权威 Benchmark 与实测跑分对比

以下均为微软官方公布：FLEURS 前 25 种语言平均词错误率 3.4%，60 种语言平均 5.2%，微软称在 FLEURS 60 语言上排第一；在 Artificial Analysis 上处于准确率与延迟的帕累托前沿。速度方面，1 小时音频约 10 秒推理完成，比 GPT-Transcribe 快 10 倍、比 Scribe v2 快 7 倍、比 Gemini 3.5 Transcribe 快 5 倍。第三方独立复测结果官方未附。

开发者实战落地与开箱指南

在 Azure 创建 Foundry 的 Speech 资源，调用 Fast Transcription 接口（api-version 2025-10-15），把 enhancedMode.enabled 设为 true、enhancedMode.model 设为 "MAI-Transcribe-2" 即可；支持 WAV、MP3、FLAC。按需打开 diarization.enabled、modelOptions.timestamps 设为 "word"、用 phraseList.phrases 传入产品名等术语。Voice Live API 的输入转写也能指定该模型，MAI Playground 和 OpenRouter 同样可用。注意 MAI-Transcribe-1 已于 2026 年 8 月 20 日弃用，0.10 美元是到年底的限时价。