性能表现

• 在 FLEURS 多语言基准的 60 个语种上排名第一，平均词错误率（WER）仅 5.2%。
• 在 Artificial Analysis 的准确率—延迟帕累托前沿上定义新的边界，并在其 WER 排行榜上位列第二。
• 根据 Artificial Analysis 的评测，推理速度比 OpenAI GPT-Transcribe 快 10 倍，比 ElevenLabs Scribe v2 快 7 倍，比 Gemini 3.5 Transcribe 快 5 倍，同时准确率更高。
• 定价为每小时音频 0.10 美元，为市场最低。

新增能力

• 说话人分离（diarization）：区分录音中的不同说话人，并把词语归属到正确的人。
• 词级时间戳：为每个词提供精确时间，支持更准确的对齐、检索、导航与编辑。
• 关键词偏置：帮助模型识别领域术语、缩写、人名等仅凭上下文难以区分的表达。
• 可配置转录风格：“逐字”模式保留填充词与口误，适合合规与分析；“洁净”模式去除填充词，生成更可读的字幕、笔记与成稿。
• 语码转换：支持在语言之间自然切换的对话，包括印地英语、西班牙英语等常见混合语对。
• 自动语种识别：无需用户预先指定即可准确检测所说语言。
• 噪声环境鲁棒性：在受控录音环境之外仍能维持转录质量。

典型场景

从临床病历记录、法律文档，到无障碍服务与隐藏字幕，MAI-Transcribe-2 面向真实世界应用设计，尤其适合长音频场景——其推理延迟相比主要竞品有最多 10 倍的处理速度优势。