据华尔街见闻报道，美东时间10月1日，微软发布三款语音AI模型：实时语音转文字模型MAI-Transcribe-2-Streaming，以及文本转语音模型MAI-Voice-2.1和延迟更低的MAI-Voice-2.1-Flash。其中，MAI-Voice-2.1覆盖23种语言。
这次实时转录的变化在于，模型不必等用户说完一句话才输出文字。微软称，MAI-Transcribe-2-Streaming支持60种语言，能够持续自动识别语言，在接收到音频后100多毫秒开始产生首批结果。流式转录会先生成部分文本，再随着更多语音进入不断修正，最终形成稳定文本。
Artificial Analysis公布的流式语音识别测试数据显示，该模型的最终转录词错误率（WER）为2.5%，在参与测试的38款模型中最低；从说话结束到返回最终文本的延迟约为0.13秒。在“首次部分转录”测试中，其WER同样为2.5%，延迟约为0.12秒。这两组延迟对应不同测试环节。
准确率居首不等于所有速度指标都最快。同一平台数据显示，Grok Voice Transcribe 2.0的最终WER为2.7%，延迟为0.49秒；Cartesia Ink Preview的最终转录延迟约为0.11秒，比微软模型略短，但WER为3.1%。微软另称，其内部测试中，实时听写和字幕应用的文字出现速度约为最接近竞争对手的两倍。
在开放阶段和价格方面，微软表示，MAI-Transcribe-2-Streaming目前处于面向开发者的推广阶段，年末前优惠价格为每小时0.54美元，相当于每1000分钟9美元。这一价格针对实时语音转文字模型，不是三款模型的统一定价。
仅供信息参考，不构成投资建议。