微新创想：近日微软宣布推出全新语音转文字模型 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。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 特别是在 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。
