IT之家 10 月 2 日消息，微软昨日（10 月 1 日）发布公告，宣布推出其首个实时流式语音转写模型 MAI‑Transcribe‑2‑Streaming，可在讲话进行时持续输出文字，覆盖 60 种语言，并支持自动语言检测。
费用方面，MAI‑Transcribe‑2‑Streaming 模型目前处于优惠阶段，价格为每小时 0.54 美元（IT之家注：现汇率约合 3.6 元人民币），约合每 1,000 分钟 9 美元（现汇率约合 60.5 元人民币），开发者可以通过 Microsoft Foundry、MAI Playground、OpenRouter 等渠道体验或接入。
IT之家注，微软此前已推出非流式的 MAI‑Transcribe‑2，在 Azure Speech 公共预览阶段的价格为每小时 0.10 美元（现汇率约合 0.67 元人民币）。流式“Streaming”是实时返回相关结果，适合实时对话和字幕；而非流式是处理完成后一次性返回，适合录音文件、会议记录和临床文书等完整转写任务。
延迟方面，MAI-Transcribe-2-Streaming 会在接收到音频后约 100 多毫秒内生成首批“部分文本”，随后根据更多上下文持续修正，并在语句结束后快速提交稳定结果。
微软称，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%，位列 28 个流式语音转文字模型之首。
在实际体验方面，语音应用无需等到用户说完一句话，就可以提前理解意图、启动推理或调用工具。例如，客服智能体可以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。
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，系统可以根据语音内容识别语言变化。
跑分方面，在 Artificial Analysis 于 9 月 28 日公布的流式语音转文字排行榜中，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个指标上均排名第一。
相关阅读：