影片筆記：【世界最速・最高精度・最安】Microsoftが新音声認識AI「MAI-Transcribe-2」を発表！10倍速＆1時間15円でWhisper超え！？【ずんだもん＆四国めたん解説】

<!-- VIDEONOTE_PUBLICATION_WARNINGS_BEGIN -->

⚠️ 全文快速校讀發現待確認修正

本筆記已完成可閱讀的逐字稿與時間跳轉；下列為待處理問題，建議播放原片確認。

• 待修正：⚠️ 全文快速校讀發現未解決異常（segment=10 待確認：日文長漢字詞與片假名直接黏接，疑似公司/產品名稱 ASR 錯認；AI 未輸出可驗證的暫定修正版；segment=25 待確認：日文長漢字詞與片假名直接黏接，疑似公司/產品名稱 ASR 錯認；AI 未輸出可驗證的暫定修正版）
• 待修正：逐字稿全文快速校讀未完成（已保留自動字幕/原始逐字稿並繼續生成筆記。；未完成的全文速讀項目可在精進模式回聽確認。）
• 待修正：逐字稿可先使用，但有待校正清單（segment=15 unnatural_sentence_boundary: 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語；segment=60 unnatural_sentence_boundary: 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語）

<!-- VIDEONOTE_PUBLICATION_WARNINGS_END -->

一句話總結

Microsoft 發布新一代 AI 轉錄模型「MAI-Transcribe-2」，宣稱在速度、精度與價格上全面超越 OpenAI Whisper 等競爭對手，並提供限時優惠。

核心重點

• 產品發布：Microsoft 發布新音声認識 AI「MAI-Transcribe-2」（影片標題與部分筆記提及）。
• 三大優勢：

1. 速度：宣稱比 OpenAI Whisper 快 10 倍。
2. 精度：宣稱達到最高精度。
3. 價格：限時優惠價為 1 小時 15 日元（約 0.10 美元），被稱為「價格破壞」。

• 功能特性：支援說話人分離、時間戳記、原始/乾淨文字模式、代碼切換、關鍵字偏置及噪聲抑制。
• 開發背景：由 Microsoft AI 部門開發，從初代到版本 2 迭代速度極快。

詳細大綱

I. 模型概況與核心賣點

• 身份定義：Microsoft AI 部門開發的最新一代文字轉錄模型。
• 核心競爭優勢：

1. 世界最速：處理速度極快，適合即時字幕與長會議錄音。
2. 最高精度：多語言自動識別與轉錄準確率據稱全球第一。
3. 最優價格：極低的單小時費用，實現「價格破壞」。

II. Microsoft AI 開發歷程

• 快速迭代時間線：
• 2026 年 4 月：發布 MAI Voice 1、MAI Image 2、初代 MAI Transcribe 1。
• 2026 年 6 月：發布改良版 MAI Transcribe 1.5。
• 2026 年 9 月 3 日：發布重大更新的 MAI Transcribe 2。
• 技術升級：內部架構重新設計，推理延遲大幅縮短，吞吐量大幅提升。
• 語言支援：涵蓋日語、英語、中文、歐洲語言、亞洲及非洲語言。

III. 客觀基準測試數據對比

• 速度比較：
• 對比 OpenAI GPT Transcribe：約 10 倍高速。
• 對比 ElevenLabs Scribe V2：約 7 倍高速。
• 對比 Google Gemini 3.1 Transcribe：約 5 倍高速。
• 對比 Whisper Large V3：異次元速度，數小時會議可瞬間完成。
• 精度比較（FLURS 基準測試）：
• 指標：詞彙錯誤率（WER），數值越低越好。
• MAI Transcribe 2：5.2%（單獨第 1 位）。
• Gemini 3.1 Pro：5.3%。
• Scribe V2：6.2%。
• Gemini 3.1 Bot Transcribe：8.6%。
• GPT Transcribe：10.4%。
• Whisper Large V3：22.8%。
• 結論：錯誤率降至 1/4 以下，在 Pareto Frontier（帕累托前沿）圖表中位於精度與速度的理想區域。

IV. 實用新功能詳解

1. Speaker Diarization（說話人分離）：自動區分會議或訪談中誰說了什麼，即使多人同時說話也能準確生成逐字稿。
2. Word-level Timestamp（詞彙級時間戳記）：提供每個單詞的開始與結束時間（毫秒級），便於影片編輯標註字幕或關鍵字檢索。
3. 可設定文字風格（Text Style）：

• Raw Mode（原始模式）：保留「啊」、「那個」等口頭禪與修正，適用於法律、醫療記錄或合規調查。
• Clean Mode（乾淨模式）：自動移除填充詞，整理為易讀的日語/文本，減少後期手動編輯工作。

1. Code Switching（代碼切換）：能自然識別混合語言對話（如日英混合、印英混合 Hinglish）。
2. Keyword Bias（關鍵字偏置）：預先註冊醫療、法律術語或公司產品名稱，防止誤識別。
3. Noise Suppression（噪聲抑制）：在咖啡廳或異常環境下仍能清晰拾音。

V. 價格與成本效益

• 限時優惠價：2026 年底前，每小時 0.10 美元（約 15.6 日元）。
• 成本對比：
• 相當於一杯果汁的價格可處理 8 小時音頻。
• 對比 OpenAI Whisper API：0.36 美元/小時（約 6 美元/1000 分鐘）。
• 對比其他服務：Pluralsight 約 3.67 美元，Smorest AI 約 4.00 美元。
• 應用場景：極低成本使呼叫中心全通話錄音、大型播客存檔處理成為可能。

VI. 使用方式與平台

• MAI Playground：瀏覽器介面，拖放音頻文件即可體驗速度與精度。
• Microsoft Foundry / Azure AI Speech API：面向開發者與企業，可通過程式語言調用，整合至自有系統或應用。
• OpenRouter：已開始提供，支援多供應商環境。

VII. 市場競爭與未來展望

• 競爭格局：2026 年 8 月下旬，Google 發布 Gemini 3.1 Transcribe，Meta 發布 Nuance Voice，Microsoft 以最高精度、10 倍速度及最低價格入場。
• 趨勢：從單純的 Whisper 時代進入新世代，推動即時翻譯、自主 AI 代理（Autonomous Agents）及日常對話界面的發展。

VIII. 結尾與廣告

• 呼籲行動：建議觀眾在 Playground 試用，並給予讚好、訂閱與評論。
• 廣告推廣：Rocket Partner（配送/外賣平台）。
• 優惠：註冊時輸入邀請碼 MRNWD 可獲得 1000 日元。
• 目標：利用空閒時間賺取額外收入。

工具 / 模型 / 名詞整理

• MAI Transcribe 2 (原文：MAIトランススクライブ2 / MAIフランススクライブ2 / MAIトランスプライブ2)
• MAI Voice 1 (原文：MAIボイス1)
• MAI Image 2 (原文：MAIイメージ2)
• MAI Transcribe 1
• MAI Transcribe 1.5
• GPT Transcribe (原文：GPTトランススクライブ / GPTトランススクスプライブ)
• Gemini 3.1 Transcribe (原文：ジェミに3点トランススクライブ / ジミに3点トランススクスクライブ)
• Gemini 3.1 Pro (原文：ジェミに3.1プロ)
• Gemini 3.1 Bot Transcribe (原文：ジェミに3点ボトランススクスクライブ)
• ElevenLabs Scribe V2 (原文：イレブンラボのスクライブV2 / スライブV2)
• Whisper Large V3 (原文：ウィスパーラージV3 / ウィスパージV3)
• FLURS (國際多語言語音評估數據集)
• OpenAI
• Google
• Microsoft (原文：MICRT / MICROSフt)
• Microsoft AI (原文：MAI / MicrosoftAI)
• Pluralsight (原文：プライ2 / プライ2)
• Smorest AI (原文：スモーレストAI)
• OpenRouter (原文：オープンルーター)
• Microsoft Foundry (原文：Microsoftファウンリア)
• Azure AI Speech API (原文：AISTRRESTAPI / Azure AI Speech API 疑點)
• MAI Playground (原文：MAIプレイグラウンド / プレイブラウンド)
• Rocket Partner (原文：ロケットパートナー)

操作流程整理

1. 體驗速度與精度：使用 MAI Playground 瀏覽器介面，拖放音頻文件進行測試。
2. 企業級整合：開發者透過 Microsoft Foundry 或 Azure AI Speech API 調用 API，整合至自有系統。
3. 多供應商環境：透過 OpenRouter 接入服務。
4. 廣告優惠註冊：在 Rocket Partner 註冊並輸入邀請碼 MRNWD 獲取優惠。

值得注意的限制或風險

• 時間點疑義：筆記中多次提及「2026 年 4 月」、「2026 年 9 月 3 日」、「2026 年底前」，若當前時間非 2026 年，則可能為未來預測或聽寫錯誤，需查證影片發布時間與內容一致性。
• 名稱辨識不確定：模型名稱「MAI-Transcribe-2」及相關變體（如 Transcribe/トランススクライブ/フランススクライブ）在逐字稿中存在多種拼寫，需確認官方正確名稱。
• 價格與貨幣：提及「1 小時 15 日元」與「0.10 美元」，需確認匯率換算及限時優惠的具體條件。

逐字稿辨識疑點

• segment 15: unnatural_sentence_boundary — 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語
• segment 60: unnatural_sentence_boundary — 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語
• segment 10: rapid_semantic_review — 日文長漢字詞與片假名直接黏接，疑似公司/產品名稱 ASR 錯認；AI 未輸出可驗證的暫定修正版
• segment 25: rapid_semantic_review — 日文長漢字詞與片假名直接黏接，疑似公司/產品名稱 ASR 錯認；AI 未輸出可驗證的暫定修正版
• segment 31: rapid_semantic_review — 日文長漢字詞與片假名直接黏接，疑似公司/產品名稱 ASR 錯認；AI 未輸出可驗證的暫定修正版
• segment 32: rapid_semantic_review — 日文長漢字詞與片假名直接黏接，疑似公司/產品名稱 ASR 錯認；AI 未輸出可驗證的暫定修正版
• segment 35: rapid_semantic_review — 日文長漢字詞與片假名直接黏接，疑似公司/產品名稱 ASR 錯認；AI 未輸出可驗證的暫定修正版
• segment 49: rapid_semantic_review — 日文長漢字詞與片假名直接黏接，疑似公司/產品名稱 ASR 錯認；AI 未輸出可驗證的暫定修正版
• segment 87: rapid_semantic_review — 日文長漢字詞與片假名直接黏接，疑似公司/產品名稱 ASR 錯認；AI 未輸出可驗證的暫定修正版
• segment 89: rapid_semantic_review — 日文長漢字詞與片假名直接黏接，疑似公司/產品名稱 ASR 錯認；AI 未輸出可驗證的暫定修正版

其他逐字稿辨識疑點列表：

• MAI：逐字稿中多次出現「MAI」，結合上下文指代 Microsoft 的 AI 品牌，但 Microsoft 官方品牌通常為「Microsoft AI」或特定產品線名稱，此處「MAI」可能為聽寫錯誤或特定內部代號，需查證。
• Transcribe 拼寫變體：逐字稿中出現「トランススクライブ」、「トランススクスプライブ」、「トランススクスクライブ」、「トランスプライブ」、「フランススクライブ」等多種拼寫，均指代同一產品「Transcribe」。
• Gemini 拼寫：出現「ジェミに」、「ジミに」，應為「Gemini」的聽寫錯誤。
• 3.1 拼寫：出現「3点」，應為版本號「3.1」的聽寫錯誤。
• Whisper 拼寫：出現「ウィスパーラージV3」、「ウィスパージV3」，應為「Whisper Large V3」。
• AISTRRESTAPI：原文為「AISTRRESTAPI」，疑為「Azure AI Speech API」或類似 API 名稱的聽寫錯誤。
• MRNWD / MRNMWD：廣告邀請碼前後出現「MRNWD」與「MRNMWD」，需確認正確代碼。
• 2026年：文中多次提及「26年4月」、「26年9月3日」、「2026年末」，若當前時間非 2026 年，則可能為未來預測或聽寫錯誤（如 2024/2025），需查證影片發布時間與內容一致性。
• 水論：原文「水論でレ天使が劇的に短縮」，疑為「推論延遲」或類似技術術語的聽寫錯誤。
• ウクット：原文「処理するウクットが大幅に跳ね上がった」，疑為「Throughput」（吞吐量）的聽寫錯誤。
• 車アライゼーション：原文「車アライゼーションスピーカーダイアリゼーション」，疑為「Speaker Diarization」（說話人分離）的聽寫錯誤，「車」可能為「Speaker」的誤聽。
• タイムスタント：原文「タイムスタント」，應為「Timestamp」（時間戳記）。
• テロップを1同機：原文「テロップを1同機させたり」，疑為「テロップを同期させたり」（同步字幕）的聽寫錯誤。
• 頭出し検索：原文「頭出し検索」，此為正確術語，指檢索特定片段。
• バーベイタム：原文「バーベイタム」，應為「Raw Mode」或「Raw」的聽寫錯誤。
• グリーンモード：原文「グリーンモード」，應為「Clean Mode」的聽寫錯誤。
• 法定：原文「法定や医療記録」，疑為「法律」或「法規」相關詞彙，或為「法律」的聽寫錯誤。
• Aとあの：原文「Aとあのなどの言いみや」，疑為「啊、那個」等填充詞的聽寫。
• いみラー：原文「いみラーお自動で」，疑為「フィルラー」（Filler，填充詞）的聽寫錯誤。
• 日本に整形：原文「読みやすい日本に整形」，疑為「日本語に整形」（整理成日語）的聽寫錯誤。
• フィラー：原文「フィラーを削る」，指「Filler」（填充詞）。
• 品グリッシュ：原文「品グリッシュのような語音声」，應為「Hinglish」（印英混合語）的聽寫錯誤。
• クロンプ：原文「事前にクロンプと登録しておく」，疑為「Keyword」（關鍵字）或「List」（列表）的聽寫錯誤。
• ノイズ体制：原文「強力なノイズ体制」，應為「Noise Suppression」（噪聲抑制）。
• 腰を抜かした：原文「1番腰を抜かしたのが」，口語成語，指「震驚」或「驚訝」。
• 路音値価格：原文「期間限定路音値価格」，疑為「録音価格」（錄音價格）的聽寫錯誤。
• ジュース1本：原文「ジュース1本買うお金」，指「一杯果汁」。
• 扇風約16.6時間：原文「扇風約16.6時間算にすると」，疑為「計算すると」（計算下來）的聽寫錯誤，「扇風」可能為誤聽。
• 他者：原文「他者の料金と比較」，應為「他社」（其他公司）的聽寫錯誤。
• 文字を腰を諦めて：原文「文字を腰を諦めていた」，疑為「文字起こしを諦めていた」（放棄文字轉錄）的聽寫錯誤。
• 大なポッドキャスト：原文「大なポッドキャスト」，疑為「大量の」（大量的）的聽寫錯誤。
• 殴り込んできた：原文「殴り込んできた形」，口語，指「強勢進入市場」。
• リスパー：原文「とりあえずリスパーだった」，應為「Whisper」的聽寫錯誤。
• 加減後：原文「加減後での