微软发布MAI-Transcribe-2，称其在60种语言上的平均词错误率达到5.2%，成为公司目前最强的语音转文字模型。9月4日消息显示，新模型面向会议、字幕、客服和语音代理等场景。
词错误率5.2%可以理解为每100个词大约有5个识别错误，但平均值不能代表每种语言、口音和环境都一样。多人抢话、背景噪声、专业术语和中英混说，仍是转录系统最容易出错的地方。
语音识别正在从“把声音变成字”走向实时理解。只有转录足够稳定，后续的摘要、任务提取和智能体执行才有可靠基础。对企业来说，还要关注数据是否被保存、能否私有部署、说话人识别是否准确。真正好用的会议AI，不是会生成漂亮纪要，而是能让人快速回到原始录音核对每个关键结论。
智能体