微软流式转写模型

微软于 2026 年 10 月 1 日发布其首个实时流式语音转写模型 MAI-Transcribe-2-Streaming，同时推出两个文本转语音模型 MAI-Voice-2.1 与 MAI-Voice-2.1-Flash。流式版可在说话者尚未讲完时持续输出阶段性文本，支持 60 种语言并自动连续识别语种，首批假设在收到音频后略多于 100 毫秒出现，随后随上下文修订并提交稳定结果。

在 Artificial Analysis 的流式转写基准中，该模型最终词错误率 2.5%、检测到说话结束后约 0.13 秒给出最终文本，在榜单中排名第一；首次部分文本同样为 2.5%。【背景】该基准约 8 小时音频，由 AA-AgentTalk（50%）、VoxPopuli（25%）与 Earnings22（25%）构成，VoxPopuli 的目标语言为英语，因此 2.5% 不能等同于 60 种语言的平均准确率。

定价为每小时音频 0.54 美元，优惠持续至 2026 年底，高于 xAI 的 0.20 美元与 Meta 的 0.18 美元，与谷歌估算费率大致相当；非流式 MAI-Transcribe-2 为每小时 0.10 美元。微软称内部测试中文字出现速度约为最接近竞品的两倍，但未点名竞品，该说法属公司自评。【存疑】微软 Azure 文档将三款模型标为公开预览版，无服务级别协议，不建议直接用于生产负载。