Microsoft lança MAI-Transcribe-2 e ameaça gigantes de fala

Lançamento

A Microsoft anunciou o MAI-Transcribe-2, um modelo de reconhecimento de fala que, segundo a empresa, é o mais rápido, preciso e barato do mundo. A publicação afirma que o modelo é o mais capaz da própria Microsoft e o mais eficiente entre os concorrentes.

Resultados e benchmarks

A Microsoft apresenta os seguintes números:

• Primeiro lugar no benchmark FLEURS, cobrindo 60 idiomas, com Word-Error-Rate médio de 5,2%. O gráfico da empresa compara o modelo com Gemini 3.1 Pro (5,3% em linguagem forçada e 5,8% em linguagem inferida), Scribe v2 (6,2% e 6,5%), Gemini 3.5 Transcribe (5,9% e 8,6%), Gemini 3.6 Flash (6,9% e 9,4%), GPT-Transcribe (10,4% e 10,6%) e Whisper v3-Large (22,8% e 23,5%).
• Define a fronteira de Pareto de precisão e latência no ranking da Artificial Analysis e ocupa o segundo lugar no índice de Word-Error-Rate da Artificial Analysis (AA-WER). Nesse índice, o gráfico indica 2,0% para o MAI-Transcribe-2, atrás apenas do Fun-Realtime-ASR-preview (1,7%) e à frente de Scribe v2 (2,2%).

Recursos e preço

O modelo traz diarização de falantes, marcação de tempo por palavra, viés de palavras-chave para terminologia específica de domínio, estilos de transcrição configuráveis ("verbatim", que mantém hesitações e muletillas, e "clean", que os remove), suporte a alternância de idiomas (como Hinglish e Spanglish), identificação automática de idioma e desempenho robusto em condições ruidosas.

A empresa destaca inferência mais rápida com latência substancialmente menor, especialmente em áudio longo, com processamento até 10 vezes mais rápido que concorrentes líderes. O preço anunciado é de US$ 0,10 por hora de áudio, descrito como o melhor do mercado.

Aplicações

A Microsoft posiciona o modelo para usos como anotações clínicas, documentação jurídica, acessibilidade e legendagem automática.