Microsoft выпустила MAI-Transcribe-2 для распознавания речи на 60 языках

Одна модель для записи, разделения спикеров и разметки времени

Microsoft AI представила MAI-Transcribe-2 — свою новую модель автоматического распознавания речи. Помимо обычной расшифровки, она умеет различать говорящих, ставить timestamp для каждого слова, подсказывать модели важные термины через keyword biasing и автоматически определять язык записи. Компания заявляет поддержку 60 языков и устойчивость к шумным условиям.

Diarization превращает непрерывный текст в реплики конкретных участников, а word-level timestamps дают точные координаты для поиска, навигации и монтажа. Это важно для встреч, интервью, субтитров и call analytics: downstream-система получает не только последовательность слов, но и структуру разговора.

Keyword biasing предназначен для имён, аббревиатур и отраслевой терминологии, которые трудно восстановить лишь из контекста. Разработчик может заранее передать словарь ожидаемых сущностей, не обучая отдельную модель для каждого домена.

Verbatim и clean решают разные задачи

MAI-Transcribe-2 предлагает два настраиваемых стиля. Режим verbatim сохраняет слова-паразиты и фальстарты, что подходит для compliance и анализа живой речи. Режим clean удаляет такие элементы и формирует более читаемый текст для заметок, субтитров и публикаций.

Модель также поддерживает code-switching — естественное переключение между языками, включая Hinglish и Spanglish. Автоматическое распознавание языка избавляет приложение от обязательного выбора локали до начала записи, хотя для реального продукта всё равно потребуется проверить качество на собственных акцентах, микрофонах и словаре.

Выбор между verbatim и clean нельзя свести к косметическому форматированию. В юридической или исследовательской записи удалённая оговорка может иметь значение, тогда как в протоколе встречи дословный шум ухудшает читаемость. Поэтому стиль следует хранить как явный параметр задания вместе с исходным аудио.

Microsoft заявляет лидерство по скорости и точности

По опубликованным Microsoft результатам, MAI-Transcribe-2 получила средний Word Error Rate 5,2% на многоязычном benchmark FLEURS и заняла первое место среди сравниваемых моделей по 60 языкам. Компания также сообщает о втором месте в WER leaderboard Artificial Analysis и о нахождении модели на accuracy-latency Pareto frontier этого сервиса.

В сравнении, которое Microsoft связывает с evaluations Artificial Analysis, новая модель обрабатывает batch-аудио в десять раз быстрее GPT-Transcribe, в семь раз быстрее ElevenLabs Scribe v2 и в пять раз быстрее Gemini 3.5 Transcribe, одновременно показывая более высокую точность. Для длинных записей компания в целом заявляет ускорение до десяти раз относительно ведущих конкурентов.

Эти цифры следует читать в границах указанной методики. Benchmark помогает сопоставить модели на общем наборе данных, но не гарантирует тот же WER для телефонной линии, медицинского диктанта или разговора с перекрывающимися голосами. Перед заменой production-системы нужна собственная выборка с теми же языками, шумом и правилами форматирования, которые встретятся в сервисе.

Цена снижает порог для массовой обработки

На старте Microsoft установила для MAI-Transcribe-2 цену $0,10 за час аудио. Это ограниченное предложение действует до конца 2026 года; постоянную цену после завершения акции публикация не называет.

При такой стартовой ставке особенно заметными становятся не только расходы на inference, но и стоимость окружающего workflow: загрузка и хранение аудио, повторная обработка ошибок, проверка чувствительных записей, поиск по transcript и политика удаления данных. Дешёвая минута распознавания не отменяет эти требования.

Высокая batch-скорость полезна для архивов и длинных записей, а низкая latency — для интерактивных сценариев. Однако публикация описывает прежде всего конкурентное положение модели в non-streaming и batch-сравнениях; разработчику voice agent стоит отдельно проверить задержку полного пользовательского цикла, а не переносить одну aggregate-метрику на любой режим работы.

Что проверять перед внедрением

Первый пилот стоит строить не вокруг среднего WER, а вокруг ошибок, опасных для конкретного продукта: перепутанных спикеров, неверных имён, потерянных отрицаний, нестабильных timestamps и неправильного определения языка. Keyword biasing и configurable styles дают инструменты управления, но их эффект нужно измерять на фиксированном наборе записей.

Для многоязычных команд полезно сравнить единый MAI-Transcribe-2 workflow с маршрутизацией на отдельные модели. Microsoft утверждает, что одна модель сохраняет высокую точность по всем протестированным языкам и тем самым может уменьшить сложность системы и потребность в GPU-ресурсах.

MAI-Transcribe-2 объединяет в одном API функции, которые прежде часто требовали отдельной diarization, разметки времени и постобработки. Практическая ценность релиза определится тем, насколько стабильно эта связка работает на живом аудио и сколько ручной проверки остаётся после завершения расшифровки.