微软 MAI-Transcribe-2 上架 OpenRouter，官方称 FLEURS 第一

9 月 3 日晚（UTC 14:43，北京时间 22:43），AI 模型 API 平台发文宣布，微软的语音转写模型 MAI-Transcribe-2 已在平台上线。推文称该模型在 FLEURS 多语基准上排名第一，支持 60 种语言的语音转文本（speech-to-text），带自动语种识别、语码切换（code switching）、说话人分离（speaker diarization）与词级时间戳，并附上模型页链接。

上架发生在微软发布当天。9 月 3 日，以《MAI-Transcribe-2 是全球最快、最准确、最便宜的语音识别模型》为题宣布新模型，称即日起可在 Microsoft Foundry、MAI Playground 与 OpenRouter 三个渠道试用；当天发文宣布模型上线 Foundry，标注发布于 9 月 3 日，标价每音频小时 0.1 美元。本文引用的排名、基准分数与速度数字均出自微软与 OpenRouter 的官方口径。

三个入口同日开放：Foundry、MAI Playground 与 OpenRouter

在 OpenRouter 上，MAI-Transcribe-2 只有一个托管方。模型页写明该模型由 Azure 独家托管，OpenRouter 把每个请求直接转发给 Azure，不做路由决策；页面显示 P50 延迟 0.48 秒。

模型的分享卡片把两个数字顶在最前：每音频小时 0.1 美元，2026 年 9 月 3 日上线。

0.1 美元是上线限时价，微软发布稿写明持续到今年年底。

在 Azure 官方渠道，MAI-Transcribe 系列目前是：文档注明预览版不提供服务级别协议（SLA），不建议用于生产负载。

调用时要在请求里把 enhancedMode.enabled 设为 true，并在 enhancedMode.model 中指名 MAI-Transcribe-2；输入音频限 WAV、MP3、FLAC 格式，单文件不超过 300 MB。文档列出的支持语言共 60 种，包括简体中文（zh）与粤语（yue）。

「FLEURS 第一」的说法，出自微软自己的评测

微软发布稿自称，MAI-Transcribe-2 在 FLEURS 基准上跨 60 种语言取得平均词错误率（WER）5.2%、排名第一，并写明这组数据出自微软自家在 FLEURS 上开展的评测。

FLEURS 是 2022 年 Alexis Conneau 等人提出的：基于机器翻译语料 FLoRes-101 构建的 102 语种并行语音数据集，每语约 12 小时，用于评测语音识别、语种识别等任务。微软口径里的「第一」发生在其中 60 种语言上，恰好是 MAI-Transcribe-2 声称支持的全部语种。

发布稿还援引第三方评测平台 Artificial Analysis 的数据，自称位于准确率-延迟帕累托前沿、在词错误率榜上排名第二，并称比 OpenAI 的 GPT-Transcribe 快 10 倍、比 ElevenLabs 的 Scribe v2 快 7 倍、比 Gemini 3.5 Transcribe 快 5 倍，同时准确率更高；被点名对标的还有 Whisper V3-Large。

功能清单与参数一一对应：说话人分离按人切分录音并标注每段归属；词级时间戳为每个词返回起止毫秒；关键词偏向（keyword biasing）用短语列表提示医学术语、人名等生僻词。

输出风格分 verbatim（保留「um」「uh」等填充词，默认）与 clean（去掉填充词）两档；语码切换针对 Hinglish、Spanglish 这类常见混语自动处理。

至少到 9 月 4 日，可核对到的「第一」出处只有微软自家评测和 OpenRouter 的转述：OpenRouter 模型页的 FAQ 复述了同一口径。两家机构的公告能证明的，只是它们作出了这些声明。

有人 15 秒转完 90 分钟音频，也有人质疑 FLEURS

官宣数小时后，自称 Weights & Biases 与 CoreWeave 的 AI evangelist、播客 Thursdai 主持人的 Alex Volkov（@altryne）贴出：「这转写模型真的离谱……它硬是在 15 秒里把 90 多分钟、开了说话人分离的音频转完了。」

帖子附了一张测试截图，引来一批回复。推文正文没有交代测试音频与参数设置，速度为发帖人自述。

唱反调的是转写服务商 BrassTranscripts，它在留言：「可 FLEURS 得分是干净音频基准。真正的考验是取证口供和多语访谈里串扰与重叠语音下的说话人分离准确率，不管支持多少种语言，多数转写模型都在那里大幅退化。」其账号简介自称提供带自动说话人识别的 AI 转写服务。

还有人在逐条核对官方清单。：「语码切换是从来没人做对的那一项。」FinalLayer 联合创始人 Laks Dondeti 则直接问：定价与比价，成了官宣后第一批被追问的问题。

1.0 于 8 月 20 日弃用，2.0 在 9 月 3 日上线

Azure Speech 文档在同一页列出三个型号：当前支持 MAI-Transcribe-2 与 MAI-Transcribe-1.5，初代 MAI-Transcribe-1 标注为 2026 年 8 月 20 日弃用，距 2.0 上线正好 14 天。

OpenRouter 把换代关系写得很直白：模型页 FAQ 说 MAI-Transcribe 1.5 是微软的另一款转写模型，并称 2.0 在长音频上比 1.5 更快。微软发布稿同一页的推荐栏里，还并排挂着 MAI-Code-1.1-Flash（自称价格降至四分之一）、MAI-Thinking-1、MAI-Cyber-1-Flash 的发布稿，转写只是微软 MAI 名下的一条模型线。

「为什么大家还在 OpenRouter 上用 Whisper-3-large？」

Volkov 在实测帖里还抛出一个问题：「不知道为什么，大家还在 OpenRouter 上用 Whisper-3-large，明明 MAI-Transcribe-2 准得多。」他帖子下的回复给出了几种答案。

：「因为它不是开放权重，和你提到的其他模型不一样。」：「它是微软的，是跑在微软数据中心里的闭源模型。」代表存量用户：「可惜，Whisper 依然是最好的开源语音转写模型。」，谁会真在 OpenRouter 上跑 Whisper-3-large，「也许（很可能）是在本地跑，为了私有转写」。

这几条回复点明了分歧所在：Whisper 一侧是开放权重与本地部署，MAI-Transcribe-2 一侧是 0.1 美元/小时的托管 API。微软写明这个限时价只到今年年底；年底之后的价格，以及串扰、重叠语音场景下的测试数字，微软与 OpenRouter 的官方材料都还没有给出。