Microsoft AI｜MAI-Transcribe-2发布，限时约0.10美元/小时并扩至60语种

语音转写若继续按「大模型附赠功能」定价，呼叫中心与媒资团队很难把它从「试用」写成「默认账单」。9月3日，Microsoft AI发布MAI-Transcribe-2，称其为迄今最强转写模型，并在速度、精度与价格上对标Gemini 3.5 Transcribe、GPT-Transcribe、Whisper V3-Large与Scribe v2等竞品。

Microsoft AI是微软面向自研模型与研究产品的实验室品牌，过去五个月已连续推出转写系列：约4月的MAI-Transcribe-1（约25语种、约0.36美元/小时），约6月的1.5（约43语种），再到今日的2.0。节奏本身说明：微软把语音识别当成可单独打价格战的产品线，而不只是Copilot里的按钮。

产品与评测要点：

1. 价格：限时约每小时音频0.10美元，官方称优惠至年底；相对首款约降七成
2. 语言：约60种，含语码转换与自动语种识别
3. 功能：说话人分离、词级时间戳、关键词偏置、verbatim/clean可配置风格、噪声鲁棒
4. 评测口径：FLEURS上60语种平均词错误率约5.2%并称居首；Artificial Analysis词错误率榜约第二，并处在精度—时延帕累托前沿
5. 速度：官方称批处理可达GPT-Transcribe约10倍、Scribe v2约7倍、Gemini 3.5 Transcribe约5倍
6. 入口：Microsoft Foundry、MAI Playground与Open Router可体验

所谓说话人分离，白话是自动标出「谁在说话」；所谓词级时间戳，白话是每个词都能对齐到时间轴，方便剪辑、质检与检索。对企业，0.10美元意味着十万小时年用量的账单量级可从约3.6万美元降到约1万美元——转写从「要不要上」变成「为什么还不上」。

放在语音赛道上下文里，通用大模型厂把ASR当能力展示，垂直厂商靠行业词表与合规吃饭。微软用「功能打进底价 + 高吞吐」直接挤压中间带：垂直厂若不能证明领域深度，价格优势会被抹平；大模型厂若仍按Tokens卖转写，会显得贵。

产业影响上，呼叫中心、法庭与媒资工作流可能更快默认微软目录价；采购合同则要盯限时价结束后的标准价与实时流式SLA。需要把边界读清楚：速度与榜单多为厂商及第三方评测口径；0.10美元为限时价。下一观察点是目录价落地与行业词表偏置的真实效果。