微软发布实时转录新标杆：MAI-Transcribe-2-Streaming 首发

IT之家 10 月 2 日消息，微软昨日（10 月 1 日）正式发布了其首个实时流式语音转写模型——MAI-Transcribe-2-Streaming。这一发布标志着微软在 AI 语音交互领域迈出了关键一步，旨在解决传统语音识别“听完后才能写”的痛点，实现真正的实时对话与字幕生成。

极致性能：0.13 秒延迟与 2.5% 词错率

在性能指标上，MAI-Transcribe-2-Streaming 表现惊艳。根据 Artificial Analysis 的测试数据，该模型的最终转录延迟仅为 0.13 秒，最终词错误率（WER）为 2.50%。这两个数据使其在 28 个参赛的流式语音转文字模型中拔得头筹，领先于 Grok Voice Transcribe 2.0 Streaming（2.73%）和 ElevenLabs Scribe v2 Realtime（3.59%）。

延迟技术解析

对于用户而言，0.13 秒意味着什么？这意味着从用户开口说话到文字出现在屏幕上，几乎实现了“所见即所得”的同步感。微软的技术说明显示，该模型在接收到音频后约 100 多毫秒内就会生成首批部分文本，并在语句结束后快速提交稳定结果。这种极低的延迟为语音应用的交互逻辑带来了质的飞跃，使得系统可以更敏锐地捕捉用户的表达节奏。

核心特性：多语言与自动检测

功能层面，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，系统可以智能识别语音内容的变化，这对于跨国会议或多语言交流场景极具价值。

实用价值：为谁创造价值？

对开发者与产品经理来说，这项技术的核心价值在于“提前感知”。

由于延迟极低，语音应用无需等待用户说完一句话，就可以利用上下文信息提前理解用户意图。这为以下场景提供了强大的支持：

• 智能客服： 客服智能体可以在来电者尚未说完投诉时，就开始识别问题类型并启动相应的处理流程，无需等待用户挂断。
• 实时字幕： 字幕系统可以更紧密地跟随语速，减少卡顿，提升观看体验。
• 实时交互工具： 语音助手可以在对话中途精准捕捉指令，提升人机协作效率。

定价与接入方式

值得注意的是，微软此前推出了非流式的 MAI-Transcribe-2，主要针对录音文件和会议记录。相比之下，MAI-Transcribe-2-Streaming 专为实时对话设计，虽然单价略高于非流式版本（优惠价约 0.54 美元/小时，约合 3.6 元人民币），但其带来的实时交互体验是前者无法替代的。

目前，开发者可以通过 Microsoft Foundry、MAI Playground 或 OpenRouter 等渠道接入该模型，体验这一行业新标杆的性能。

总结

MAI-Transcribe-2-Streaming 的发布，不仅刷新了流式语音转写的性能记录，更展示了 AI 在处理实时语音时的潜力。它证明了在极低延迟下保持高准确率是可行的，这将为未来的智能语音应用打开新的想象空间。