MAI-Transcribe-2

MAI-Transcribe-2 är en modell för tal till text som Microsoft AI har byggt själva och släppte den 3 september 2026. Den efterträder MAI-Transcribe-1 (april 2026, 25 språk, avvecklad 20 augusti 2026) och MAI-Transcribe-1.5 (43 språk). Den nya versionen klarar 60 språk, däribland svenska, och är tänkt för textning av video, möten, journalanteckningar, kundtjänst, tillgänglighetsverktyg och röstagenter.

Nyheterna jämfört med tidigare versioner är talaridentifiering (diarisering), tidsstämplar för varje ord och två transkriberingsstilar: ordagrann text med utfyllnadsord och omtagningar, eller en ren version utan dem. Modellen kan också styras mot fackord och namn med en lista nyckelord, känner själv av språket, klarar samtal som växlar mellan språk (som hinglish och spanglish) och ska hålla kvaliteten i bullriga miljöer.

Enligt Microsoft är den bäst på testet FLEURS över 60 språk, med 5,2 % ordfelsfrekvens i snitt, tvåa på Artificial Analysis lista över träffsäkerhet och upp till tio gånger snabbare än konkurrenterna. Den 1 oktober 2026 kom också MAI-Transcribe-2-Streaming, en strömmande variant för realtid som ger sina första preliminära resultat efter drygt 100 millisekunder ljud och enligt Microsoft rankas etta hos Artificial Analysis.

Modellen används via Microsoft Foundry (Azure Speech), MAI Playground och OpenRouter. Under resten av 2026 kostar den 0,10 dollar per timme ljud som ett tidsbegränsat lanseringspris; strömningsvarianten kostar 0,54 dollar per timme. Storlek och licens anges inte, och vikterna är inte öppna.