Microsoft 發佈支援 60 種語言的 MAI-Transcribe-2：開發者將獲得什麼效益？

Microsoft 發佈支援 60 種語言的 MAI-Transcribe-2，這是語音辨識領域的一個重要里程碑。隨著 MAI-Transcribe-2 正式推出，Microsoft 在 60 種語言中重新定義了準確度與延遲之間的帕累托前沿（Pareto frontier）。在 MAI-Transcribe-1 初次發佈五個月後，以及 1.5 版本推出僅三個月之際，這款升級後的基礎模型在多語言 FLEURS 基準測試中達到了 5.2% 的平均詞錯率（WER），且批次處理速度比競爭對手的產品快上十倍。透過將服務價格定在每小時 0.10 美元的入門價——相較於 1 與 1.5 版本每小時 0.36 美元的費率降幅約 72%——Microsoft 不僅加速了自動語音辨識的普及化，還透過 Microsoft Foundry 公開預覽版直接提供說話者分離（Speaker Diarization）、逐字級時間戳記及語碼轉換（Code-switching）等功能。

語音辨識的經濟性與 MAI-Transcribe-2 功能亮點

概覽

Microsoft 於 2026 年 9 月 3 日發佈 MAI-Transcribe-2，並在年底前提供每小時 0.10 美元的優惠定價。
該模型在公開的 FLEURS 基準測試中，60 種語言的平均詞錯率為 5.2%，並在 Artificial Analysis 的詞錯率排行榜中位居第二。
模型功能包含：說話者分離、逐字級時間戳記、領域關鍵字偏差（Keyword Biasing）、自動語言辨識及可配置的轉錄格式。

過去，企業級語音轉文字處理的經濟性常迫使工程團隊在架構設計上做出艱難取捨。處理大量音訊資料的組織（如客戶聯絡中心、法律文件平台及臨床轉錄工作流）經常需要在昂貴的前沿 API 之高準確度，與自行託管開源模型的營運負擔之間取得平衡。專業供應商常將說話者分離與音訊時間戳記等關鍵功能鎖定在高級定價層級，進一步加劇了這類摩擦成本。

MAI-Transcribe-2 官方發佈頁面，強調速度、準確度與效率

Microsoft AI 的發佈節奏反映出其建立內部基礎模型能力的審慎策略。在五個月內推出三個世代的模型——從 4 月份每小時 0.36 美元支援 25 種語言，到 6 月份擴展至 43 種，再到 9 月份實現每小時 0.10 美元支援 60 種語言——顯示出其語音模型優化的快速迭代流程。根據 VentureBeat 的分析，更高的批次吞吐量能減少固定工作負載所需的 GPU 小時數，而早期的 MAI-Transcribe 架構設計亦旨在降低服務負載開銷。

對於技術決策者而言，評估 Microsoft 發佈 MAI-Transcribe-2 的影響時，需同時分析單位成本與作業吞吐量。在每年處理數十萬小時音訊的高流量環境中，將基準轉錄費降至每小時 0.10 美元，使語音辨識從主要的營運成本中心轉變為易於獲取的基礎設施。此外，將核心功能整合至基礎模型中，能減少企業應用中複雜的多供應商路由層需求。

技術架構與延遲邊界：MAI-Transcribe-2 如何大規模運作

要在多樣化的真實音訊環境中實現高準確度，模型必須具備處理複雜聲學環境、重疊語音與低資源詞彙的能力。根據 Microsoft AI MAI-Transcribe-2 產品頁面的官方性能揭露，MAI-Transcribe-2 旨在應對嘈雜的錄音條件、多語言混合對話與品質不一的輸入源。

FLEURS 基準測試評估，對比 MAI-Transcribe-2 與領先語音模型的錯誤率

在標準化的 FLEURS 評測套件中，該模型在 60 種語言中取得了 5.2% 的平均詞錯率。根據 ITHome 技術報導中所引用 Microsoft 發佈的基準圖表，MAI-Transcribe-2 在強制語言辨識與自動語言辨識的執行下，均維持了 5.2% 的平均值。在比較評估中，Microsoft 的官方發佈說明將 Gemini 3.5 Transcribe 作為主要行業基準，而二次基準圖表則顯示其在相同測試集上，相較於 Gemini 3.1 Pro (5.3% 至 5.8%)、OpenAI 的 GPT-Transcribe (10.4% 至 10.6%) 以及 Whisper V3-Large (22.8% 至 23.5%) 展現了極具競爭力的性能。

六十種支援語言在 FLEURS 基準測試中的詳細錯誤率分解表

吞吐量經濟學與帕累托延遲邊界

在批次音訊處理中，推論吞吐量是影響計算成本與服務定價的重要因素。與較慢的替代方案相比，能以數百倍即時速度處理錄音的模型可大幅減少處理固定音訊量所需的 GPU 時間。Artificial Analysis 的評估將 MAI-Transcribe-2 直接置於準確度與延遲的帕累托前沿，報告顯示其速度係數為 403.6 倍即時——意味著一小時的錄音可在約十秒內完成轉錄。

Artificial Analysis 速度對比準確度圖表，說明語音模型的帕累托前沿

下圖概述了開發者可用的處理功能：

[音訊輸入 ingestion]
  音訊負載 (WAV / MP3 / FLAC / 支援格式)
                         │
                         ▼
[支援的模型功能]
  ├── 自動語言辨識 (自動偵測 / 強制)
  ├── 多語言語音辨識 (60 種語言)
  ├── 說話者分離 & 逐字級時間戳記
  └── 關鍵字偏差支援
                         │
                         ▼
[配置輸出生成]
  格式化輸出串流 (逐字模式 vs. 精簡模式)

為了滿足不同的業務需求，架構納入了彈性的輸出配置。開發者可選擇「逐字模式」（Verbatim Mode），以捕捉語音中的停頓、贅字與口誤，適用於法律合規與臨床審計。或者，亦可選擇「精簡模式」（Clean Mode），自動過濾對話中的贅字，產生適用於會議摘要、字幕與外部刊物的精緻轉錄稿。

功能摘要矩陣，比較分離、時間戳記與語言切換能力

企業管線中語音轉文字範式的評估

選擇語音辨識架構時，需評估託管複雜度、隱私需求與長期營運成本。工程組織在建構自動轉錄工作流時，通常會考量三種不同的營運模型。

技術評估：自託管模型 vs. 專用高吞吐量 API

部署如 Whisper 等自託管開源模型提供了對資料儲存位置的完全控制，但也帶來了龐大的基礎設施開銷。工程團隊必須管理 GPU 叢集、優化批次大小，並維護額外的說話者分離管線。相比之下，雲端 API 無需持續的基礎設施維護即可提供即時的可擴展性。

下表對比了處理高流量企業音訊的標準方法：

架構	基礎設施足跡	分離與時間戳記	多語言維護	營運權衡
自託管開源 (例如 Whisper)	高 (專用 GPU 叢集)	需額外管線	需自行維護模型調校與評估	完全資料隔離，但維護負擔重
通用型前沿多模態 API	低 (Serverless 雲端端點)	視供應商而定	廣泛支援	僅轉錄任務的單位成本可能較高
專用語音引擎 (MAI-Transcribe-2)	低 (受管 Azure / Foundry API)	內建分離與時間戳記	統一單一模型部署	單位成本低，依賴供應商路徑圖

雖然自託管仍是空氣間隙（Air-gapped）環境的必要選擇，但專用 API 的單位經濟性正促使重心轉向受管服務。一個整合了分離、時間戳記與詞彙偏差且每小時只需 0.10 美元的受管端點，能顯著降低多數商業工作負載的總體擁有成本。

工程檢查清單：整合高吞吐量語音 API

為確保雲端轉錄模型能順利整合至生產工作流，開發團隊可參考既定的平台規範來進行實作架構規劃。

開發者實作檢查清單

驗證音訊限制：Microsoft 的通用 Fast Transcription API 接受 500 MB 以下、五小時以內的檔案；開發團隊應在部署至生產環境前，確認目前 MAI-Transcribe-2 預覽端點的模型特定限制。
配置關鍵字偏差：MAI-Transcribe-2 支援針對領域特定詞彙與縮寫的關鍵字偏差；團隊應檢查目前 Foundry 預覽架構中關於部署特定關鍵字偏差欄位的規範。
選擇輸出格式風格：透過記錄中的「逐字模式」進行合規與審計工作流，並針對消費者導向的摘要與公開筆記採用「精簡模式」。

安全性與基礎設施檢查清單

驗證區域資料邊界：確保音訊處理資源符合雲端控制台中關於組織資料駐留與治理的要求。
實作批次分段邏輯：對於超過單一檔案上限的企業歸檔資料，應部署在自然停頓處切割錄音的預處理管線，以維持聲學連續性。
審查預覽端點文件：Microsoft 的發佈資料確認了 MAI-Transcribe-2 的分離功能，相關整合文件正持續更新；在依賴特定請求架構前，務必核對最新的預覽端點參數。

透過採用這些系統化的實作標準，工程組織能將高吞吐量轉錄服務整合至核心資料管線中，並保持架構的可預測性。

常見問答 (FAQ)

FLEURS 基準測試中 5.2% 的詞錯率有何意義？

5.2% 的詞錯率（WER）彙總了在標準化基準測試中，60 種語言測試集的平均多語言表現。雖然它顯示了強大的整體準確度，但針對具體生產環境，仍需評估個別語言的錯誤率。

MAI-Transcribe-2 與 OpenAI 的 GPT-Transcribe 及 Whisper 相比如何？

根據已發佈的基準數據，MAI-Transcribe-2 在多語言測試中的詞錯率低於 Whisper V3-Large 與 GPT-Transcribe。此外，Artificial Analysis 的獨立評估報告指出，該模型在批次推論上的速度比 GPT-Transcribe 快十倍，同時提供更低的每小時費率。

「逐字模式」（Verbatim）與「精簡模式」（Clean）的差異為何？

「逐字模式」保留了語音的細微差別，包括口誤、贅字與重複語句，對於法律紀錄、合規審計與臨床筆記至關重要。「精簡模式」則自動過濾掉對話中的贅字，產生適用於發佈文章、會議摘要與字幕的易讀文本。

工程團隊的關鍵要點

語音辨識專用模型的持續演進，顯示出人工智慧正朝向「模態特定效率」的宏觀趨勢發展。儘管通用型多模態模型持續擴展其推理能力，但專用語音引擎證明了針對性的優化能實現卓越的延遲表現、更低的錯誤率與更具吸引力的單位經濟性。

對於技術導向組織而言，整合高吞吐量轉錄服務能為繁重的音訊業務帶來可擴展的自動化能力。透過選擇結合內建分離、自定義輸出格式與高效批次推論的專用架構，開發團隊能建構出響應快速、具成本效益的資料工作流，並隨企業需求同步擴展。

參考資料

Microsoft AI. MAI-Transcribe-2 是世界上最快、最準確且最便宜的語音辨識模型。https://microsoft.ai/news/mai-transcribe-2-is-the-fastest-most-accurate-and-cheapest-speech-recognition-model-in-the-world/
Microsoft AI. MAI-Transcribe-2 模型概覽與規格。https://microsoft.ai/models/mai-transcribe-2/
Microsoft Learn. 使用 Fast Transcription API。https://learn.microsoft.com/en-us/azure/ai-services/speech-service/fast-transcription-create
Microsoft Learn. 使用短語清單改善辨識準確度。https://learn.microsoft.com/en-us/azure/ai-services/speech-service/improve-accuracy-phrase-list
Artificial Analysis. 語音轉文字排行榜與準確度-延遲帕累托前沿。https://artificialanalysis.ai/speech-to-text/non-streaming
Google Research. FLEURS：語音通用表示的少樣本學習評估。https://huggingface.co/datasets/google/fleurs
VentureBeat. Microsoft AI 的 MAI-Transcribe-2 在價格與速度上優於 OpenAI、Google 與 ElevenLabs。https://venturebeat.com/technology/microsoft-launches-3-new-ai-models-in-direct-shot-at-openai-and-google
Neowin. Microsoft 的 MAI-Transcribe-2 模型擊敗 OpenAI 與 Google，每小時僅需 0.10 美元。https://www.neowin.net/news/microsofts-mai-transcribe-2-model-beats-openai-and-google-while-costing-just-010-per-hour/
ITHome. Microsoft 發佈 MAI-Transcribe-2 語音辨識模型，詞錯率達 5.2%。https://www.ithome.com/0/998/241.htm