MAI-Transcribe-2 是什麼？0.1 美元做繁中字幕

微軟在 2026 年 9 月 3 日發表 MAI-Transcribe-2，一個把「聲音變成文字」的模型。它解決的是內容創作者最貴的一段時間：影片、Podcast、會議錄音要上字幕或做逐字稿，過去不是花錢外包，就是自己坐在剪輯軟體前面一句一句敲。這週值得看的原因只有一個——價格。官方定價每音訊小時 0.10 美元（2026 年 9 月官方定價，限時到年底），意思是一部兩小時的電影，逐字稿成本 0.2 美元，不到新臺幣 10 元。但便宜不等於適合你，尤其你要做的是繁體中文字幕。以下照官方文件走一遍，包含它做不到的部分。

先看結論

怎麼取用：從開資源到打出第一個逐字稿

依微軟官方文件（Microsoft Learn 的 MAI-Transcribe 頁面），取用路徑有三條：Microsoft Foundry（Azure Speech）、MAI Playground，以及 OpenRouter（模型代號 microsoft/mai-transcribe-2）。要做字幕工作流，走 Azure Speech 的 REST API 最完整，因為只有這條路能同時開字級時間戳、說話者分辨和關鍵詞偏置。

第一步，開資源。 在 Azure 入口網站建立一個 Speech 用的 Microsoft Foundry 資源，拿到金鑰（key）與區域。這裡有個臺灣使用者必踩的坑：MAI-Transcribe 目前只在六個區域可用——centralindia、eastus、northeurope、southeastasia、westus、westus2。East Asia 與 Japan East 都不在名單上，離臺灣最近的是 Southeast Asia（新加坡）。官方另有說明，資料只在你資源所在的區域儲存與處理，所以區域選哪裡等於決定你的音檔飛去哪裡。

第二步，準備音檔。 MAI-Transcribe 文件寫的限制是：小於 300 MB，格式為 WAV、MP3 或 FLAC。（同一組 API 的通用文件寫的是小於 5 小時、500 MB、且支援更多格式；以模型專屬頁的較嚴格數字為準比較安全。）影片要先抽音軌，一行 ffmpeg 就夠：ffmpeg -i input.mp4 -vn -ac 1 -ar 16000 out.wav。單聲道、16 kHz，檔案小很多，語音辨識也不吃虧。

第三步，打 API。 端點與參數照官方 curl 範例：

curl --location 'https://你的資源名稱.cognitiveservices.azure.com/speechtotext/transcriptions:transcribe?api-version=2025-10-15' \
--header 'Content-Type: multipart/form-data' \
--header 'Ocp-Apim-Subscription-Key: 你的金鑰' \
--form 'audio=@"episode01.wav"' \
--form 'definition={
  "enhancedMode": {
    "enabled": true,
    "model": "MAI-Transcribe-2",
    "modelOptions": {
      "timestamps": "word",
      "transcribeStyle": "clean"
    }
  },
  "diarization": { "enabled": true, "maxSpeakers": 2 },
  "phraseList": { "phrases": ["提詞", "生成式 AI", "台積電"] }
}'

四個參數各自的作用，值得逐個講清楚：

• enhancedMode.enabled 必須是 true、model 必須寫 "MAI-Transcribe-2"，兩個都漏掉就退回舊模型。
• modelOptions.timestamps 預設是 "none"——不設定就完全沒有時間戳，這是做字幕最容易漏的一格。"word" 給每個字的起點與長度，"segment" 只給段落級。
• modelOptions.transcribeStyle 預設是 "verbatim"，會把「呃」「嗯」和口誤全部照抄。做字幕請設 "clean"，官方說明它會移除填充詞、自動整理常見口語。
• phraseList.phrases 是關鍵詞偏置。官方明說這只是提示、不是強制輸出，但把講者名字、公司名、專有名詞塞進去，能大幅降低同音錯字。這一格對中文特別有價值。

另外 locales 可以指定單一語言強制辨識，但官方警告這是「非常強的提示」，除非你百分之百確定語言而且自動偵測失效，否則不要用；而且一次只能給一種語言。

拿到 JSON 之後：轉成 SRT 的那一步沒人幫你做

這是整條工作流最容易卡住的地方，也是很多教學不講的：這個 API 只回 JSON，不回 SRT、不回 VTT、不回 LRC。 官方文件的回應範例長這樣：最外層有 durationMilliseconds，combinedPhrases 放整段連續文字，phrases 陣列才是字幕要的東西——每一段有 offsetMilliseconds（起點毫秒）、durationMilliseconds（長度毫秒）、text，開了字級時間戳就多一個 words 陣列，開了說話者分辨就多一個 speaker 欄位。

換句話說，時間軸的原始資料它給得很完整，但「組成字幕檔」是你的工作。一段十幾行的腳本就能收工：

import json, sys

def ts(ms):
    h, ms = divmod(ms, 3600000)
    m, ms = divmod(ms, 60000)
    s, ms = divmod(ms, 1000)
    return f"{h:02d}:{m:02d}:{s:02d},{ms:03d}"

data = json.load(open(sys.argv[1], encoding="utf-8"))
blocks = []
for i, p in enumerate(data["phrases"], 1):
    start = p["offsetMilliseconds"]
    end = start + p["durationMilliseconds"]
    who = f"[說話者 {p['speaker']}] " if "speaker" in p else ""
    blocks.append(f"{i}\n{ts(start)} --> {ts(end)}\n{who}{p['text']}\n")

open("out.srt", "w", encoding="utf-8").write("\n".join(blocks))

字級時間戳的真正用途，是在這一步之後。模型切出來的 phrases 有時候一句長達十幾秒、一行塞四十個字，直接變字幕會爆版。有了 words 陣列，你可以照標點或字數重新斷行，再從對應那個字的 offsetMilliseconds 取新的起點——不用重跑一次辨識，也不用手動對時間。這就是「字級時間戳」對做字幕的人真正值錢的地方。

到這裡你手上有一份 SRT。如果你的素材是歌、是需要卡拉 OK 式逐行顯示的內容，或者你要的是直書垂直字幕（短影音很常見），格式還得再轉一手。本站的 LRC 歌詞時間軸產生器 有「格式轉換」分頁做 LRC ↔ SRT 雙向轉換，也能輸出直書版 SRT 與 VTT，這幾個分頁是本地模式、免費、不需登入。逐字稿轉出來只是半成品，時間軸格式對了才算能用。

費用怎麼算：便宜到什麼程度

0.10 美元／音訊小時的意思，換成實際場景：

• 一部兩小時電影的逐字稿：0.2 美元。
• 每週一集 60 分鐘的 Podcast，做滿一年 52 集：5.2 美元，大約一杯咖啡。
• 一個累積 500 小時的訪談素材庫全部轉完：50 美元。

拿來對比，OpenAI 的 whisper-1 是每分鐘 0.006 美元，也就是每小時 0.36 美元——同樣那 500 小時要 180 美元，差 130 美元。這也是「比前代便宜約 72%」的來源：前一代同樣是 0.36 美元。

至於其他家，依 2026 年多家科技媒體整理的比價（非官方定價頁，請自行以各家官網為準）：ElevenLabs Scribe v2 批次約每小時 0.22 美元、Deepgram Nova-3 批次約每小時 0.26 美元、OpenAI gpt-4o-mini-transcribe 約每小時 0.18 美元。MAI-Transcribe-2 的 0.10 美元確實是這批裡最低的一檔。

速度也是賣點。微軟引用第三方評測機構 Artificial Analysis 的數據，稱其速度倍率約 400 倍實時——一小時音訊約 10 秒跑完，並宣稱比 GPT-Transcribe 快 10 倍、比 ElevenLabs Scribe v2 快 7 倍、比 Gemini 3.5 Transcribe 快 5 倍。

品質到底如何：三組數字要分開看

官方公布的準確度數字有三組，混在一起看會誤判：

1. FLEURS 基準、60 種語言平均：詞錯誤率（WER）5.2%，微軟宣稱排名第一。
2. FLEURS 前 25 種語言平均：WER 3.4%（來自官方 model card）。
3. Artificial Analysis 排行榜：WER 2.0%，排名第二，落後阿里巴巴的 Fun-Realtime-ASR-preview（1.7%），領先 ElevenLabs Scribe v2（2.2%）。

三組數字差這麼多，是因為語言範圍與測試集不同。「60 語平均 5.2%」不等於「你的中文素材會有 5.2%」——語言越多、平均越被小語種拉高，而個別語言的分布官方沒有公布。這點下一段會再講。

語言數量本身確實有實質擴張。比對官方語言表，MAI-Transcribe-1.5 支援 43 種、MAI-Transcribe-2 支援 60 種，新增的包括南非荷蘭語、波斯語、菲律賓語、希伯來語、哈薩克語、粵語等 17 種。

誠實提醒

一、繁體中文的支援程度，是這篇最重要的一段。 官方語言表列出的中文只有兩個代碼：zh（標註為 Chinese, simplified，簡體中文）與 yue（粵語）。沒有 zh-TW、沒有 Chinese Traditional、沒有臺語（Taiwanese Hokkien）。 官方文件的回應範例裡，中文輸出也是簡體字。這代表兩件事：（1）你拿到的逐字稿預期是簡體，繁體化與臺灣用語校對是你自己要加的一道工序，而且不能只做無腦字元轉換——「皇后」轉成「皇後」這種錯誤就是這樣來的；（2）臺灣人名、公司名、國語夾雜臺語或英文的實際情境，官方沒有給任何數據。如果你的素材大量出現這些，強烈建議先拿 30 到 50 段真實錄音小規模試跑，再決定要不要整批投入。如果你非要一個明確標示 zh-TW 的 locale，Azure 一般的語音轉文字服務有支援，那是另一條產品線。

二、它現在是公開預覽。 官方原文明寫此功能為 public preview、不附 SLA、不建議用於生產工作負載，部分功能可能受限。拿它跑你自己的內容沒問題，拿它接客戶的正式交付流程，風險自負。順帶一提，前代 MAI-Transcribe-1 已於 2026 年 8 月 20 日淘汰——這條產品線迭代很快，別把 pipeline 寫死在單一模型代號上。

三、幾個官方尚未公布的東西。 促銷結束後的正式價格：未公布。計費的最小單位與進位方式（不足一小時如何計算）：官方文件未說明。逐語言的準確度分布：未公布。說話者分辨的錯誤率指標：未公布——它只說「有 diarization」，沒說有多準。VentureBeat 的報導也點出，發布內容對即時串流的效能、資料保留期限、以及音檔是否會被用於後續訓練都沒有交代。（官方區域文件確有說明資料只在資源所在區域處理與儲存，但那和「保留多久、是否用於訓練」是不同的問題，請直接看你簽的 Azure 服務條款。）

四、前代版本號有出入。 官方 model card 把 0.36 美元標給 MAI-Transcribe-1.5，VentureBeat 則說 2026 年 4 月的 MAI-Transcribe-1 是 0.36 美元。價格數字兩邊一致，指涉的版本不一致，這裡不替它下定論。

五、授權與商用。 轉錄不會給你任何原始內容的權利。幫有版權的影片上字幕、把歌詞打成時間軸，版權仍屬原作者；商用發布前該取得的授權一樣要取得。工具只負責把聲音變成字，不解決版權。另外，把含個資或營業秘密的錄音送上雲端前，先確認你的公司政策允許。

---

把這條路走完，你手上會有：一份 JSON（含字級時間、說話者標記）、一份 SRT，以及一份還需要人工校對的繁體逐字稿。最後那一哩——把時間軸轉成你的播放器或剪輯軟體吃得下的格式、卡不準的行手動微調、需要直書的短影音字幕——可以直接接到 LRC 歌詞時間軸產生器，格式轉換與手動打軸是本地模式、免費、免登入。想看本站其他做內容會用到的工具，工具總覽在這裡。