发生了什么
微软 9 月 3 日发布 AI 语音转文字模型 MAI-Transcribe-2，面向开发者提供 API 调用。该模型支持 60 种语言以及自然的中英混用对话场景，在 FLEURS 基准上的平均词错误率为 5.2%，官方称准确率、速度与价格均优于主流同类产品。
功能层面，MAI-Transcribe-2 新增说话人分离、逐词时间戳、可配置转写风格，并支持关键词偏置、自动语言识别等特性，适用于会议纪要、客服质检、音视频字幕、呼叫中心分析等场景。
- 60 种语言 + 自然混用语支持，FLEURS 平均词错误率 5.2%
- 限时至 2026 年底按 0.10 美元/小时收费，主打低成本规模化转写
- 支持说话人分离、逐词时间戳、关键词偏置与自动语言识别
对企业而言，语音转写是客服、会议、内容生产等领域的高频刚需。0.10 美元/小时的定价显著拉低了规模化转写的边际成本，可能推动更多企业把存量音视频资料纳入可检索、可分析的结构化数据体系。