- 发布日期
微软 MAI-Transcribe-2-Streaming 登场，2.5% 词错误率、0.13 秒延迟夺冠
- 作者
- 姓名
- 荷鲁斯快报
- 社交账号
微软于10月1日发布公告，宣布推出首个实时流式语音转写模型MAI-Transcribe-2-Streaming。该模型可在讲话尚未结束时持续输出文字，支持60种语言，并具备自动、持续的语言检测能力。此次发布将微软的实时语音转写能力推向更低延迟和更广语言覆盖的场景。
微软此前已推出非流式MAI-Transcribe-2，并在Azure Speech公共预览阶段将价格定为每小时0.10美元。两者区别在于，流式模型会实时返回结果，适合实时对话和字幕；非流式模型则在处理完成后一次性返回，更适合录音文件、会议记录和临床文书。实时返回机制使语音应用无需等待整句话结束，即可利用已生成的文本推进任务。
延迟是此次发布的重点。微软称，模型在收到音频后约100多毫秒内生成首批“部分文本”，并随着更多上下文到来持续修正，最终在语句结束后快速提交稳定结果。其实测中，文字最快可在语音出现后约320毫秒显示；Artificial Analysis的数据则显示，其最终转录延迟为0.13秒。
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以2.50%的最终词错误率位列28个参测模型之首。其成绩优于Grok Voice Transcribe 2.0 Streaming的2.73%，也高于ElevenLabs Scribe v2 Realtime的3.59%。微软同时表示，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。
MAI-Transcribe-2-Streaming能够连续识别语音内容中的语言变化，用户无需在会话开始前手动指定语言。对开发者而言，自动语言检测可减少会话配置环节，并适应包含语言切换的实时交流。该功能也与模型的低延迟输出能力形成互补，进一步扩展了流式转写的适用范围。
在实际体验中，客服智能体可以在来电者尚未说完时开始识别问题，并提前启动推理或调用工具。实时字幕系统也能利用部分转录结果，更快呈现接近“所说即所见”的内容。由于系统会随上下文增加修正文本，应用既可依赖首批结果作出响应，也能在语句结束后采用稳定转录。上述能力将实时语音交互的处理环节进一步前移。
该模型目前处于优惠阶段，价格为每小时0.54美元，约合每1000分钟9美元；按报道发布时的汇率，分别约为人民币3.6元和60.5元。开发者可通过Microsoft Foundry、MAI Playground或OpenRouter体验并接入。此次开放为实时字幕、智能客服等多语言语音应用的开发提供了新的转写选择，后续表现仍取决于实际接入与应用效果。
