在无人在意的角落，微软发布了 mai-transcribe-2

fjhorn 2026-09-05 10:36 1

发布两天了，发现站里还没人提过 ^-^

号称是自家上一代速度的两倍。笔elevenlabs的又快又好又便宜。正在测试中……

初步测试结果：

非常好。大概是主流STT目前最快的了。而且支持word level时间戳、发言者识别，多语言。

不支持实时转码，最大的缺失。

另外测试发现diarization不太稳定，容易报错。还有进步空间

打开时间戳的功能，识别速度减半。再加上diarization，就容易timeout了

我是用azure调用的。

更新3:这一版也支持直接去除简单口癖。和gemini transcribe类似。

总之，完全满足我的所有要求。微软终于牛逼一把！

最新回复 (19)

skad 09-05 10:43

1楼

期待开源试下，看着还不错
fjhorn 楼主 09-05 10:48

2楼

刚才试了一下，确实飞快。体感明显比我用过的所有的stt都快，包括gpt transcribe，gemini 3.5 transcribe，elevenlabs的v2

和soniox realtime差不多，但是效果更好。
dhgdtdtbff 09-05 10:50

3楼

看到过了，从跑分来说很不错，还没实际用过
fjhorn 楼主 09-05 11:08

4楼

我试了一下，非常好。word level时间戳、发言者识别，速度爆裂。

完全满足我的所有要求。微软终于牛逼一把。
neteroster 09-05 11:09

5楼

这个支持实时转写吗，好像写的不是很清楚
fjhorn 楼主 09-05 11:11

6楼

好像不支持。是最大的痛点把。

另外测试发现diarization不太稳定，容易报错。还有进步空间
小飞侠 09-05 11:11

7楼

这个是不是只能通过比如azure的api付费才能使用到啊
fjhorn 楼主 09-05 11:11

8楼

我用azure调用的。其他渠道不清楚
伏黑甚尔 09-05 11:12

9楼

确实无人在意，都被GPT6抢了风头 ^-^
fjhorn 楼主 09-05 11:17

10楼

用这个嘴子指挥gpt 6比codex内置的语音识别速度快，哈哈
BOOSTMEISTER 2014 DH 09-05 11:29

11楼

image 2.6 也发了吧。确实没热度
learner063 09-05 11:37

12楼

准确度真的比 elevenlabs 的好吗
learner063 09-05 11:41

13楼

我主要用于播客转录，对于专有名词，多讲话人识别都有要求，我之前测过了一下主流的，发现 elevenlabs 的效果最好，等等我也去看看这个
ただヤンシャオに過ぎない 09-05 11:44

14楼

微软，你崛起吧（

之前还看到几个进arena的微软模型，都有不错的文本能力
路人A 09-05 13:21

15楼

刚出的时候就试过了，一般吧，

同是Microsoft却没有继承VibeVoice-ASR优秀的多人识别效果。
sallyn 09-05 13:31

16楼

佬测试的是什么语言？最近还是用scribe v2和qwen3asr比较多，前者外语后者中文，但是前者成本还是比较高（虽然可以免费账号多开几个走API）其他几家比较火的ASR感觉小语种效果不是很好
fjhorn 楼主 09-05 13:34

17楼

中英文混输。

微软自己有比较各种语言，可以参考一下
sallyn 09-05 17:49

18楼

从Azure试了一下不知道为什么一旦音频超过了20min之后就开始报500错误找了半天文档也死活找不到哪来的问题其他都挺好的这个字词级别的时间点一次出的我都不用去修时轴了
MineMine 09-05 18:02

19楼

什么时候替换 Windows 内置的 Win+H 的语音转录

* 帖子来源Linux.do

附近帖子

飞读

fjhorn

主题数
1

帖子数
1

注册排名
3

随机推荐