IT之家 10 月 2 日消息，微软于昨日（10 月 1 日）发布声明，正式推出其首款实时流式语音转写模型 MAI‑Transcribe‑2‑Streaming，能够在语音进行过程中持续输出文本，覆盖 60 种语言，并具备自动语言检测功能。
在定价方面，MAI‑Transcribe‑2‑Streaming 模型目前处于优惠阶段，费用为每小时 0.54 美元（IT之家注：按当前汇率约合 3.6 元人民币），相当于每 1,000 分钟 9 美元（按当前汇率约合 60.5 元人民币）。开发者可通过 Microsoft Foundry、MAI Playground、OpenRouter 等平台进行体验或接入。
IT之家注，微软此前已推出非流式版本 MAI‑Transcribe‑2，在 Azure Speech 公共预览阶段的定价为每小时 0.10 美元（按当前汇率约合 0.67 元人民币）。流式“Streaming”模式可实时返回结果，适用于实时对话和字幕；而非流式模式则在整个处理完成后一次性输出，适合录音文件、会议记录和临床文档等完整转写任务。
在延迟方面，MAI-Transcribe-2-Streaming 在接收到音频后约 100 多毫秒内即可生成首批“部分文本”，随后根据更多上下文持续修正，并在语句结束时快速提交稳定结果。
微软表示，在其实时评估中，文字最快可在语音出现后约 320 毫秒显示；在 Artificial Analysis 的测试中，模型最终转录延迟为 0.13 秒，最终词错误率为 2.50%，在 28 个流式语音转文字模型中排名第一。
在用户体验方面，语音应用无需等待用户说完一句话，即可提前理解意图、启动推理或调用工具。例如，客服智能体可在来电者尚未说完时开始识别问题，实时字幕系统也能更接近“所说即所见”的体验。
在功能方面，MAI-Transcribe-2-Streaming 支持 60 种语言，并具备自动、连续的语言检测能力。用户无需在会话开始前手动指定语言，系统可根据语音内容识别语言变化。
在跑分方面，根据 Artificial Analysis 于 9 月 28 日发布的流式语音转文字排行榜，MAI-Transcribe-2-Streaming 的最终词错误率为 2.50%，低于 Grok Voice Transcribe 2.0 Streaming 的 2.73% 和 ElevenLabs Scribe v2 Realtime 的 3.59%。微软同时强调，该模型在最终转录和首次部分转录两项指标上均位列第一。
相关阅读：
