MAI Transcribe 2：在线 AI 语音转文字

MAI Transcribe 2 是微软 AI 最新的语音转文字模型。它能把会议、播客、通话和语音备忘录转成准确文本，不必先选语言。搜索 MAI Transcribe 2 的人，通常是想在线试用、和 Whisper 对比，或接入 API。这个首页就是试用层。

模型面向嘈杂的真实录音。微软把 MAI Transcribe 2 做成单一多语言模型，带说话人分离、词级时间戳、术语 biasing，并支持中英夹杂。官方材料称覆盖 60 种语言、能扛背景噪声，一小时音频大约 10 秒完成模型推理。

在 FLEURS 上，微软报告 MAI Transcribe 2 在领先语音转文字模型里平均词错误率最低，对比对象包括 Whisper-Large-V3、GPT-Transcribe、ScribeV2 和 Gemini 3.5 transcribe。Artificial Analysis 给出 2% WER，限时价约每小时音频 $0.10。

这里不需要 Azure 账号。上传一段短文件，跑 MAI Transcribe 2，下载文本即可。要程序化调用，去 API 说明页。在微软 AI 和 OpenAI Whisper 之间做选择的团队，看下面的对比。

播客是最常见的第一段测试。十分钟访谈通常有两个声音、几个专有名词，以及垫乐上的笑声。MAI Transcribe 2 会尽量返回带说话人标签的可读草稿，方便抽金句，而不用反复拖进度条。名字仍要人工改，但你不是从白纸开始。

会议是第二种测试。站会、客户电话、董事会夹杂抢话和待办。说话人分离让「谁说周五要发版」能对上人，而不是一面字墙。这就是「能搜的转写」和「转完就扔」的差别。

字幕是第三种任务。创作者需要一份能丢进字幕编辑器的带时轴草稿。MAI Transcribe 2 的词级时间戳给你的是 SRT 起点，不是播出版。语气词可以后洗；难的是一次从音频里拿出对齐的字。

学术访谈和临床笔记更密、更慢。录音里全是药名、地名、论文标题时，术语 biasing 能减少胡猜。你还是要逐行复核。模型的工作是去掉第一小时打字，让复核成为唯一剩下的活。

本站是非官方的 MAI Transcribe 2 在线试用：每个 IP 每个 UTC 日一次，免注册。免费额度够用就下载走人。需要量再看定价页上的 $9.9 / $19.9。无论哪种，首页的意义都是：用你自己的音频，先听这个模型怎么表现。