微软于9月3日通过官方博客正式发布MAI-Transcribe-2，定位为旗下迄今最快、最精准且成本最优的语音转文字AI模型。该产品面向开发者与企业级应用，主打高精度转录与多语言支持，进一步加码其在AI音频处理赛道的布局。

在性能基准测试中，MAI-Transcribe-2于FLEURS数据集上展现了领先实力。无论是强制指定语言还是自动推断语言模式，其平均词错误率均稳定在5.2%，而同期对比的Gemini 3.1 Pro对应成绩为5.3%和5.8%，GPT-Transcribe为10.4%和10.6%，Whisper v3-Large则高达22.8%和23.5%。这一数据意味着该模型在跨语种识别准确性上实现了显著突破。

速度方面，根据Artificial Analysis的独立评测，MAI-Transcribe-2的推理效率较GPT-Transcribe提升约10倍，对比Scribe v2快7倍，并比Gemini 3.5 Transcribe快5倍。这一性能优势将直接降低大规模音频转写任务的时间成本，对实时会议记录、客服质检等场景尤为关键。

功能层面，该模型新增说话人分离能力，可在同一段录音中精准区分不同发言者并将文字归属至对应人物；同时提供逐词时间戳，为每个词标注精确时间位置。这些特性增强了后续编辑、检索与分析的便利性，尤其适用于访谈、庭审及媒体制作等需要精细切分的场景。

定价策略上，MAI-Transcribe-2上市初期推出限时优惠，收费仅为0.10美元/小时（约合人民币0.67元），该价格将持续至2026年年底。微软此举意在降低企业试用门槛，以高性价比策略快速抢占市场份额，并挤压现有转录服务商的生存空间。