近日，微软宣布推出全新的语音转文字模型 MAI-Transcribe-1，该模型在 25 种语言上的平均词错误率（WER）仅为 3.9%，被誉为目前全球最精准的转写模型。这是微软自研的 MAI 系列模型中的第三款，之前还发布了语音合成模型 MAI-Voice-1 和图像生成模型 MAI-Image-2。

image.png

根据微软的介绍，MAI-Transcribe-1 在 FLEURS 行业标准基准测试中表现出色，尤其是在 25 种语言中，11 种 “核心语言” 如英语、法语、德语等的转写精度排名第一。这款模型不仅在多种语言的转写场景中表现优异，还在与 OpenAI 的 Whisper-large-v3 和 Google 的 Gemini 3.1 Flash 模型的对比中显示出明显优势。

MAI-Transcribe-1 适用于多语种的各种语音转写场景，包括会议记录、媒体内容转写等。尽管当前版本尚不支持实时转写、说话人分离等高级功能，微软计划在后续更新中增强这些能力。在性能方面，新模型在批量转写任务上速度领先，批处理转写速度达到了现有 Microsoft Azure Fast 产品的 2.5 倍。

此外，MAI-Transcribe-1 已通过 Microsoft Foundry 平台向企业和开发者开放，定价为每小时 0.36 美元，微软表示这是当前云服务提供商中 “性价比最高” 的语音转写模型之一。微软还宣布将 MAI-Image-2 和 MAI-Voice-1 引入 Foundry 平台，进一步增强其语音识别、语音合成和图像生成等多模态 AI 领域的自研能力，力求为开发者提供更具性能和成本优势的解决方案。

划重点：

📊 MAI-Transcribe-1 在 25 种语言上平均词错误率仅为 3.9%，为全球最精准转写模型。

🌍 模型在多种语言的核心转写场景中表现突出，并超越其他竞争对手。

💰 每小时收费 0.36 美元，使其成为云服务市场中性价比最高的语音转写模型之一。