Microsoft AI: MAI-Transcribe 2

Microsoft AI: MAI-Transcribe 2 är en tal-till-text-modell från Microsoft, släppt den 3 september 2026. Den tillhör kategorin transkribering, så dess uppgift är snäv och specifik: att omvandla talat ljud till skriven text. Microsoft positionerar den som ett flerspråkigt system, och enligt leverantören är den rankad först på FLEURS flerspråkiga benchmark. Om ditt arbete involverar tal på mer än ett språk är den kombinationen av leverantörsstöd och benchmarkplacering det främsta skälet att titta på den här modellen istället för en generell modell.

Modellen tar ljud som indata och returnerar en transkribering som utdata. Den täcker 60 språk och utför automatisk språkidentifiering, så du behöver inte tala om för den vilket språk som talas innan du skickar en begäran. Den hanterar även kodväxling, vilket innebär ljud där talare växlar mellan språk inom samma inspelning. De publicerade detaljerna listar ingen kontextlängd i tokens, och maximal utdata anges som noll, så betrakta modellen som en ren transkriberingsändpunkt snarare än något du kan prompta med långa textinstruktioner. Det finns inga listade parametrar för begäran utöver vad API:et kräver för att identifiera modellen och skicka ljud.

De praktiska användningsområdena följer direkt av dessa förmågor. Mötes- och samtalsinspelningar i flerspråkiga organisationer passar uppenbart, särskilt där deltagare växlar språk mitt i samtalet. Arbetsflöden för media och poddar kan använda den för att producera transkript utan ett separat steg för språkidentifiering. Forsknings- och arkivprojekt som hanterar tal på något av de 60 stödda språken kan skicka ljud genom den och få text tillbaka. Eftersom språkidentifieringen är automatisk behöver batchjobb över blandat språkligt ljud inte sorteras eller taggas i förväg.

Du anropar modellen genom api14:s OpenAI-kompatibla API med modell-id:t "microsoft/mai-transcribe-2". Eftersom gränssnittet följer OpenAI-formatet kan befintliga klienter och SDK:er som redan pekar på en OpenAI-kompatibel bas-URL återanvändas, med ljudet skickat som indata och transkriberingen returnerad i svaret. Modellen listar inga stödda parametrar, så håll begäranden minimala: ange modell-id:t, bifoga ljudet och undvik att anta att alternativ för sampling eller formatering har någon effekt. Om en parameter inte listas som stödd är det säkrast att utelämna den.

När det gäller gränser är de tillgängliga fakta tunna. Det finns ingen angiven kontextlängd och maximal utdata är noll, vilket antyder att modellen inte är avsedd för text-in, text-ut-promptning eller för långa genererade svar. Om din uppgift kräver resonemang över ett transkript, sammanfattning, översättning eller någon form av textgenerering är en textmodell det bättre valet, med MAI-Transcribe 2 använd först för att producera transkriptet. Om ditt ljud faller utanför de 60 stödda språken är det osannolikt att den här modellen hjälper.