A Microsoft bemutatta a MAI-Transcribe-2 beszédfelismerő modellt
A Microsoft 2026. szeptember 3-án bemutatta a MAI-Transcribe-2 beszédfelismerő és átíró modellt. A vállalat szerint ez az eddigi legerősebb transzkripciós modellje, amely több vezető riválissal szemben is jobb eredményeket ért el.
- A Microsoft 2026. szeptember 3-án jelentette be a MAI-Transcribe-2 modellt.
- A modell új funkciói közé tartozik a diarizáció, a konfigurálható átírási stílus és a szószintű időbélyeg.
- A Microsoft szerint a MAI-Transcribe-2 első a FLEURS benchmarkon 60 nyelv átlagában, 5,2 százalékos WER-rel.
- A vállalat közlése szerint az ár 0,10 dollár óránként.
- A Microsoft a Gemini 3.5 Transcribe, GPT-Transcribe, Whisper V3-Large és ScribeV2 modellekkel szemben emeli ki az eredményeket.
Új átíró modell a Microsofttól
A Microsoft bejelentette a MAI-Transcribe-2 modellt, amelyet a cég saját közlése szerint az eddigi legjobb transzkripciós modelljeként pozicionál. A vállalat azt állítja, hogy a modell a versenytársak között is a legjobb teljesítményt és hatékonyságot nyújtja.
A MAI-Transcribe-2 új funkciói közé tartozik a beszélők elkülönítése, vagyis a diarizáció, a konfigurálható átírási stílusok, valamint a szószintű időbélyegek. Ezek a képességek főként olyan felhasználási esetekben lehetnek fontosak, ahol nem elég a hanganyag szöveggé alakítása, hanem az is számít, ki mikor beszélt, és milyen formában készüljön el az átirat.
A Microsoft szerint a modell szélesebb körű valós hanganyagokat is kezel. A közlemény külön kiemeli, hogy a MAI-Transcribe-2 olyan vezető modelleket előz meg, mint a Gemini 3.5 Transcribe, a GPT-Transcribe, a Whisper V3-Large és a ScribeV2.
Benchmarkok és ár a Microsoft állításai szerint
A Microsoft több mérési eredménnyel támasztja alá a bejelentést. A vállalat szerint a MAI-Transcribe-2 első helyen végzett a FLEURS benchmarkon 60 nyelv átlagában, 5,2 százalékos átlagos szóhibaaránnyal, angolul Word-Error-Rate.
A cég azt is közölte, hogy a modell az Artificial Analysis mérésein az accuracy és latency, vagyis a pontosság és késleltetés szempontjából meghatározza a Pareto Frontier értéket. Emellett második helyen szerepel az Artificial Analysis Word-Error-Rate ranglistáján.
A bejelentésben a Microsoft az árazást is kiemeli. A közlés szerint a MAI-Transcribe-2 ára 0,10 dollár óránként, vagyis ennyibe kerül egy óra hanganyag feldolgozása. A vállalat ezt a piacon elérhető legjobb árként írja le.
Mit jelenthet ez a felhasználóknak
A Microsoft bejelentése alapján a MAI-Transcribe-2 azoknak lehet releváns, akik nagy mennyiségű hanganyagot szeretnének pontosan és költséghatékonyan átíratni. A 60 nyelven mért FLEURS eredmény arra utal, hogy a vállalat többnyelvű felhasználásra is szánja a modellt.
A diarizáció, a szószintű időbélyegek és a beállítható átírási stílusok a gyakorlatban különösen olyan helyzetekben számíthatnak, ahol a kész szövegnek nem csak tartalmilag kell pontosnak lennie, hanem feldolgozható szerkezetben is kell megjelennie. Ilyen lehet például egy hosszabb beszélgetés, interjú vagy több szereplős hanganyag átírása.
A piaci jelentőség főként abból adódik, hogy a Microsoft közvetlenül a legismertebb rivális modellekhez méri saját rendszerét, és egyszerre hangsúlyoz pontosságot, sebességet és árat. A közlemény alapján a vállalat a MAI-Transcribe-2-t nem egyetlen képességre, hanem a teljes átírási folyamat hatékonyságára építve próbálja megkülönböztetni.
