Microsoft AI выпустила MAI-Transcribe-2, модель распознавания речи, и заявляет её самой быстрой, точной и дешёвой на рынке. Модель понимает 60 языков, сама определяет язык, разделяет говорящих, ставит таймкоды на каждое слово и переключается между языками внутри одной записи. Есть режимы verbatim, со всеми «э-э» и оговорками, и clean, где мусор вычищен, плюс подсказка терминов, чтобы модель не коверкала названия и аббревиатуры.

На мультиязычном бенчмарке FLEURS модель первая со средним WER 5,2% (доля неверно распознанных слов). У Artificial Analysis она вторая по точности с WER 2,0% и обрабатывает аудио в 410 раз быстрее реального времени: по их замерам в 10 раз быстрее GPT-Transcribe от OpenAI, в 7 раз быстрее Scribe v2 от ElevenLabs и в 5 раз быстрее Gemini 3.5 Transcribe.

Цена 0,10 доллара за час аудио до конца года, дальше обещают поднять. Для сравнения, GPT-Transcribe стоит 0,27 доллара за час. Модель уже доступна на OpenRouter под именем microsoft/mai-transcribe-2, а также в Microsoft Foundry и MAI Playground.

@neuro_channel