微软推出首个实时流式语音转写模型 MAI-Transcribe-2-Streaming，覆盖 60 种语言

微软发布首个实时流式语音转写模型 MAI-Transcribe-2-Streaming，可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。该模型在接收到音频后约 100 多毫秒内生成首批部分文本，随后持续修正并在语句结束后快速提交稳定结果。

据微软实时评估，文字最快可在语音出现后约 320 毫秒显示。在 Artificial Analysis 测试中，该模型最终转录延迟为 0.13 秒，最终词错误率 2.50%，在 28 个流式语音转文字模型中排名第一，低于 Grok Voice Transcribe 2.0 Streaming 的 2.73%和 ElevenLabs Scribe v2 Realtime 的 3.59%。

该模型目前处于优惠阶段，价格为每小时 0.54 美元，开发者可通过 Microsoft Foundry、MAI Playground、OpenRouter 等渠道接入。流式模式适合实时对话和字幕场景，语音应用无需等用户说完一句话即可提前理解意图、启动推理或调用工具。