9 月 3 日，微软推出新一代语音转文字模型 MAI-Transcribe-2，官方给出的定位很直接：这是公司"最快、最准确、也最便宜"的 AI 语音转文字模型。
对做内容、做客服、做合规的人来说，这条消息比很多大模型发布都更"实用"——因为它切的是一条每天都在产生成本的刚需赛道：把海量录音变成文字。
一、三个"最"，靠什么撑起来
先说价格。MAI-Transcribe-2 上市限时优惠，每小时音频转录只要 0.10 美元，约合 0.67 元人民币，优惠持续到 2026 年年底。作为对比，五个月前发布的第一代 MAI-Transcribe 定价是每小时 0.36 美元，这一代直接降了约七成。
再说精度。在 FLEURS 测试集上，MAI-Transcribe-2 无论强制指定语言还是自动识别语言，平均词错误率都是 5.2%。同一套测试里，Gemini 3.1 Pro 是 5.3% 和 5.8%，GPT-Transcribe 是 10.4% 和 10.6%，Whisper v3-Large 则到了 22.8% 和 23.5%。
最后是速度。第三方评测 Artificial Analysis 的数据显示，它比 GPT-Transcribe 快 10 倍，比 ElevenLabs 的 Scribe v2 快 7 倍，比 Gemini 3.5 Transcribe 快 5 倍。
又快、又准、又便宜，这三个词放在一起，才是它真正有冲击力的地方。
二、它不只是在"听写"
如果只是语音转文字，很多工具都能做。MAI-Transcribe-2 的区别在于，它把过去专业转录服务商才有的付费功能，全塞进了基础定价里。
说话人分离：一段录音里有几个人在说话，它能自动区分，把每句话归到对应的发言者身上。这对会议纪要、访谈、多人通话来说，是省掉大量人工的关键。
逐词时间戳：每个词都标注精确时间位置，方便后续检索、剪辑，也方便字幕对齐。
两种转写风格：verbatim 模式逐字保留语气词、口误和口头修正，适合合规、质检、分析这类需要"原始记录"的场景；clean 模式自动去掉"嗯""啊"这类填充词，直接产出能发布的字幕、笔记和文本。
关键词偏置：给模型一份行业术语、产品名、缩写词的清单，它会优先朝这些词靠拢，减少专业名词被听错的概率。
自动识别语言与代码切换：覆盖 60 种语言，遇到中英夹杂、"Hinglish"（印地英语）、"Spanglish"（西英混合）这种一句话里切换语言的场景，不用预先指定语言也能识别。
噪声环境鲁棒：针对背景噪音、低质量录音、重叠说话做了优化，而不是只在录音棚里表现好。
三、能用在哪些地方
微软官方文档列的场景相当具体：视频字幕、会议记录、临床笔记、呼叫中心文档、无障碍工具、内容创作，还有语音代理。
对团队管理者来说，最容易立刻看到价值的，是这几类：
- 会议与访谈：语音转文字 + 说话人分离，会议纪要、客户访谈、员工沟通的记录成本大幅下降。
- 客服与质检：呼叫中心的通话录音批量转写，verbatim 模式保留原始表述，方便合规留痕和质量复盘。
- 字幕与内容：视频、播客、课程的转写与字幕对齐，clean 模式直接出可发布的文本。
- 无障碍与多语言：60 种语言的覆盖，让跨境团队、多语言内容的生产门槛也降了一截。
四、对行业意味着什么
这次发布，最值得留意的不只是产品本身，而是它背后的两个信号。
信号一：通用转录的价格正在被打穿。 每小时 0.10 美元，已经低于不少专业转录服务商的大订单采购价。原本靠"说话人分离、多语言识别"这类功能收费的增值服务，现在被微软并进了基础价。做通用转录生意的团队，利润空间会被明显挤压；而做医疗、法律等垂直深度的服务商，还有差异化空间。
信号二：自研正在替代采购。 MAI 是微软 AI 团队自研的模型，用内部能力替代对外部模型的采购，既压低了自身多业务线的成本，又对外开放变成新的营收来源。这条"自研内用 + 对外输出"的路，正在成为大厂的主流打法。
对用户来说，结果只有一个：高质量的语音转文字，正在从"按分钟计费的稀缺服务"，变成"按小时算钱的普惠能力"。
五、现在怎么用
开发者现在就能在三个入口调用或试用：Microsoft Foundry（微软的开发者模型市场）、MAI Playground（测试环境）、OpenRouter。
有一点要留意：0.10 美元是限时优惠价，优惠到 2026 年年底截止，微软暂未公布优惠结束后的常规定价和数据处理规则。企业要落地、要规模化，建议先验证清楚成本结构和数据合规，再做长期投入。
写在最后：语音转文字听起来不如大模型"性感"，但它是离钱最近、离日常工作最近的能力之一。MAI-Transcribe-2 用"又快又准又便宜"把这条赛道的价格锚重新钉了一遍。对管理者而言，与其感慨技术又卷了，不如算一笔账：如果每小时录音的转录成本降到一块钱以内，哪些流程可以现在就开始用起来。
