Подразделение Microsoft AI представило новую модель распознавания речи MAI-Transcribe-2, которая, по заявлению разработчика, превосходит решения конкурентов по скорости, точности и стоимости обработки аудио.

Ключевые характеристики MAI-Transcribe-2

Модель поддерживает расшифровку речи на 60 языках, включая русский, что значительно шире, чем у предыдущих версий: MAI-Transcribe-1.5 (июнь 2026 года) работала с 43 языками, а первая апрельская версия — лишь с 25. Система оптимизирована для обработки «сложного» аудио: записи с фоновым шумом, низким качеством и наложением реплик.

Функциональные возможности включают:

• Разметку говорящих и пословные временные метки для удобного поиска, редактирования и синхронизации с видео.

• Ввод пользовательских словарей (препараты, коды продуктов, имена собственные), чтобы модель не искажала специфические термины.

• Два режима вывода: дословный (со словами-паразитами) и очищенный.

• Поддержку переключения языков внутри одной фразы.

Модель доступна на платформах Microsoft Foundry (для разработчиков) и MAI Playground (для тестирования).

Производительность и стоимость

В бенчмарке FLEURS (60 языков) MAI-Transcribe-2 показала среднюю ошибку распознавания слов 5,2% и заняла первое место. Для сравнения, у MAI-Transcribe-1.5 в июне этот показатель составлял 3,7%, однако рост ошибки вероятнее связан с расширением языкового охвата с 43 до 60 языков, а не с ухудшением качества.

В независимом рейтинге Artificial Analysis новая модель поднялась с третьего на второе место, опередив ElevenLabs Scribe v2 и уступив лишь Alibaba Fun-Realtime-ASR-preview.

По скорости Microsoft заявляет десятикратное превосходство над OpenAI GPT-Transcribe, семикратное — над ElevenLabs Scribe v2 и пятикратное — над Google Gemini 3.5 Transcribe.

Стоимость расшифровки снизилась с $0,36 за час записи (апрельская версия, 25 языков) до $0,10 за час (новая версия, 60 языков). В Microsoft отметили, что это стартовая цена; её дальнейшие изменения пока не определены.