Подразделение Microsoft AI представило новую модель распознавания речи MAI-Transcribe-2. По заявлению разработчиков, она работает быстрее, точнее и дешевле аналогичных решений от OpenAI, Google и ElevenLabs. Расшифровка часа аудио обойдётся всего в 10 центов.
Модель поддерживает 60 языков, включая русский. Для сравнения: версия 1.5, выпущенная в июне, охватывала 43 языка, а первая версия в апреле — только 25. Работает MAI-Transcribe-2 на платформах Microsoft Foundry для разработчиков и MAI Playground для тестирования.
Разработчики оптимизировали систему под реальные условия — фоновый шум, низкое качество записи, наложение реплик собеседников. Модель автоматически размечает говорящих и расставляет временные метки на уровне отдельных слов, что упрощает поиск, редактирование и синхронизацию с видео.
Появилась функция ввода ключевых слов: можно заранее указать список препаратов, кодов продуктов или имён собственных, чтобы модель распознавала их без искажений. Доступны два варианта вывода — дословный, со словами-паразитами, и очищенный текст. Также поддерживается быстрое переключение между языками даже в середине фразы.
В рейтинге FLEURS по 60 языкам MAI-Transcribe-2 показала среднюю долю ошибок распознавания в 5,2% и заняла первое место. У версии 1.5 в июне этот показатель составлял 3,7%, но ухудшение результата, скорее всего, связано с расширением охвата языков с 43 до 60, а не со снижением качества.
В независимом рейтинге Artificial Analysis модель поднялась с третьего на второе место, обойдя ElevenLabs Scribe v2 и уступив лишь Alibaba Fun-Realtime-ASR-preview. По данным Microsoft, новая модель работает в десять раз быстрее OpenAI GPT-Transcribe, в семь раз быстрее ElevenLabs Scribe v2 и в пять раз быстрее Google Gemini 3.5 Transcribe.
Цена также значительно снизилась: если апрельская версия с поддержкой 25 языков стоила $0,36 за час записи, то новая модель с охватом 60 языков обходится всего в $0,10. В компании уточнили, что это стартовая цена, и не исключили её изменения в будущем.