据IT之家10月2日报道，微软于10月1日宣布推出其首个实时流式语音转写模型 MAI-Transcribe-2-Streaming。它可以在讲话进行时持续输出文字，而不是等整段音频处理完成后再一次性返回结果，适用于实时对话和字幕场景。

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，系统能够根据语音内容识别语言变化。接收到音频后，模型会在约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。

延迟数据对应不同评估口径。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%。这些数据分别涉及文字显示和最终转录，不能把0.13秒直接理解为所有场景下的首字显示时间。

据报道，Artificial Analysis 于9月28日公布的流式语音转文字排行榜中，该模型的最终词错误率在28个模型中排名第一，低于 Grok Voice Transcribe 2.0 Streaming 的2.73%和 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。

开放渠道包括 Microsoft Foundry、MAI Playground 和 OpenRouter，开发者可通过这些渠道体验或接入。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。这里的报价对应流式版本；微软此前推出的非流式 MAI-Transcribe-2，在 Azure Speech 公共预览阶段的价格为每小时0.10美元。

两种版本的使用场景也不同。IT之家指出，非流式版本适合录音文件、会议记录和临床文书等完整转写任务；流式版本则实时返回结果，让语音应用有机会在用户说完一句话之前理解意图、启动推理或调用工具。报道举出的应用包括提前识别来电问题的客服智能体，以及更贴近讲话进度的实时字幕系统。

原始来源：流式转录 AI 新标杆：微软 MAI-Transcribe-2-Streaming 登场，2.5% 词错误率、0.13 秒延迟夺冠