MAI-Transcribe-1

是什么

MAI-Transcribe-1 是微软 AI（Microsoft AI）开发的语音转文字模型，2026 年 4 月 2 日发布，在 Microsoft Foundry 和 MAI Playground 中开放使用。^[1] 语音转文字（speech-to-text，也常称自动语音识别）做的事情很直接：进来的是声音，出去的是文字。会议录音、电话、视频里的说话声，最后都要变成能搜索、能编辑、能翻译的文本。

这个模型转写 25 种最常用的语言。名单的确定方式值得注意：它按微软自家产品的使用情况来排，而不是按全世界说某种语言的人数来排。^[1] 两种排法给出的集合并不一样。对产品团队来说，前者更实用——只有当模型覆盖了用户真的在说、在输入的那些语言，它才对具体产品有意义。

成绩怎么衡量

微软在 FLEURS 这个多语言语音基准上公布了结果。公司称模型在 11 种核心语言上排名第一，在其余 14 种语言上胜过 Whisper-large-v3，并在这 14 种中的 11 种上胜过 Gemini 3.1 Flash。^[1] 所以这不是一个可以印在海报上的单一分数，而是逐语言与两个被广泛使用的替代方案做的对比，其中成绩最强的部分集中在微软视作核心的那 11 种语言上。

基准测试通常用朗读清晰的语料，而发布材料强调的恰恰是更难的那一半：微软说这个模型是面向嘈杂的真实音频设计的，而不是为安静的录音棚准备的。^[1] 会议室、手机通话、用笔记本麦克风随手录下的片段——转写系统真正掉链子的地方往往就在这里。

速度、成本与价格

发布时相当一部分篇幅讲的是批量处理。批量转写（batch transcription）指的是把一批已经录好的文件送进系统处理，而不是给正在进行的通话做实时字幕。微软称其批量转写比现有的 Azure Fast 快 2.5 倍。^[1] 发布时的价格为每小时音频 0.36 美元起。^[1][2]

The Register 报道了微软的另一项说法：在 25 种语言上达到企业级准确率，同时 GPU 成本比领先的替代方案低约 50%。^[3] 「每小时音频多少钱」和「每块 GPU 花多少钱」是两个不同的数字，微软两个都提了：前者是客户付的价，后者是微软提供服务所花的成本。

已经用在哪里

这个模型不是先做成一个独立产品再等客户上门。微软表示，这些模型已经在为 Copilot、Bing、PowerPoint 和 Azure Speech 提供能力，然后才通过 Foundry 开放给开发者，并且 MAI-Transcribe-1 与 MAI-Voice-1 也可以在 Azure Speech 中试用。^[3] 最贴近普通用户的一处是 Copilot 的语音模式（Voice Mode），它的转写就跑在这个模型上。^[3]

先在自己产品里跑、再卖给开发者，是微软自有模型常见的路径。好处是系统在有价目表之前就已经在处理真实流量，噪声、口音、断句这些麻烦事在产品内部先暴露过一轮。

下一代

这条产品线推进得很快。2026 年 6 月 2 日，微软接着发布了 MAI-Transcribe-1.5，称其支持 43 种语言，并比同类竞品快五倍。^[4] 两个版本之间只隔两个月，语言数从 25 种增加到 43 种，说明首发更像是一个起点，而不是一个已经收尾的成品。

在发展中的位置

The Register 指出，截至 2025 年 10 月，微软持有的 OpenAI 股份价值约 1350 亿美元，这让此次发布看上去更像是竞争，而不是投资。^[3] 一家公司既投资模型开发商，又在同一批能力上推出自己的模型，实际上是在两头下注：外部模型仍然可以在它最强的领域继续使用，同时自研模型让微软自己掌握价格、托管和路线图。

对使用者来说，直接的结果是语音转文字多了一个选择：与已有的开源方案和商业方案并列，按音频小时计价，并按语言逐个与它们比成绩。至于哪一个更合适，取决于你要转写的是哪种语言、什么音质的音频，以及量有多大。