微软昨日发布公告，推出其首个实时流式语音转写模型 MAI-Transcribe-2-Streaming。它能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。

在 Artificial Analysis 的测试中，这个模型的最终转录延迟为 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。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。

打开网易新闻 查看精彩图片

流式和非流式，差在哪

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。两者的区别在于返回方式：流式是实时返回相关结果，适合实时对话和字幕；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。

延迟表现上，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。

跑分领先了多少

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%。

功能方面，该模型支持 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。

费用方面，MAI-Transcribe-2-Streaming 目前处于优惠阶段，价格为每小时 0.54 美元，约合每 1,000 分钟 9 美元。开发者可以通过 Microsoft Foundry、MAI Playground、OpenRouter 等渠道体验或接入。

提前理解意图意味着什么

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。