MAI-Transcribe-1是微軟於2026年4月推出的語音轉文字模型。該模型是微軟同期發布的MAI-Transcribe-1、MAI-Voice-1與MAI-Image-2三款自研商用模型之一。其由微軟AI執行長穆斯塔法·蘇萊曼於2025年11月組建的團隊開發，並在Microsoft Foundry平台開放。在行業公認的FLEURS基準測試中，MAI-Transcribe-1模型平均字錯誤率為3.9%。在11種核心語言上，該模型排名第一；在其餘14種語言對比中，其表現優於OpenAI的Whisper-large-v3，並在其中11種語言上超過了谷歌發布的Gemini 3.1 Flash。該模型具有較快的批量轉錄速度。它支持對話內容轉寫等功能，基於變換器架構的文本解碼器與雙向音頻編碼器構建，支持處理MP3、WAV、FLAC格式的音頻檔案，檔案大小最高可達200兆位元組。
該模型已在Copilot與Teams中進行測試。首發版本暫不支持實時轉錄、說話人分離和偏見調整功能，但微軟計畫在後續更新中提供這些能力。
基本介紹
- 外文名：MAI-Transcribe-1
- 所屬企業：微軟
發展歷史,產品簡介,產品特點,市場反響,
發展歷史
2026年4月2日，微軟推出MAI-Transcribe-1、MAI-Voice-1與MAI-Image-2三款自主研發的基礎人工智慧模型，並通過微軟模型開發平台及MAI試用專區開放使用。
該模型由微軟AI執行長穆斯塔法·蘇萊曼於2025年11月組建的團隊開發，並在Microsoft Foundry平台開放。MAI-Transcribe-1在25種主流語言上的平均詞錯誤率為3.9%，其批量轉寫速度據稱是Azure同類服務的2.5倍。該模型已在Copilot與Teams中進行測試，說話人分離等功能計畫在後續版本中提供。此外，該模型已集成至Copilot、Teams等工具，並計畫逐步接入Bing搜尋和PowerPoint，以強化企業生產力場景。
產品簡介
MAI-Transcribe-1是一款語音轉文字模型，在25種主流語言上平均詞錯誤率為3.9%。
該模型基於變換器架構的文本解碼器與雙向音頻編碼器構建，支持處理MP3、WAV、FLAC格式的音頻檔案，檔案大小最高可達200兆位元組。該模型具備說話人分離等功能，相關高級功能計畫在後續版本中提供。目前，該模型已集成至Copilot、Teams等套用中，用於對話內容的轉寫。該模型亦接入了Bing搜尋和PowerPoint等套用。
產品特點
MAI-Transcribe-1 在 FLEURS 基準測試（涵蓋25種語言）中，平均字錯誤率為 3.9%，在 11 種核心語言上轉寫精度處於前列。與其他模型相比，該模型在部分語言上的表現優於 OpenAI 的 Whisper-large-v3 和 Google 的 Gemini 3.1 Flash。
MAI-Transcribe-1 適用於多語種語音轉寫場景，如會議記錄和媒體內容轉寫。當前版本不支持實時轉寫和說話人分離功能，微軟計畫在後續更新中增加這些功能。在批量轉寫任務上，該模型速度較快，批處理轉寫速度約為現有 Microsoft Azure Fast 產品的 2.5 倍。
市場反響
Microsoft 365 Copilot附加產品在3月財務季度實現了銷售目標，該產品目前累計售出1500萬個席位，是企業端AI變現的關鍵焦點。英國競爭與市場管理局（CMA）宣布自2026年5月起對微軟展開反壟斷調查，重點評估Word、Excel及Copilot等產品的許可做法是否構成市場壟斷。
