微软发布首个流式语音转写模型，边听边转写瞄准语音智能体

微软于10月1日发布MAI家族首个流式语音转写模型MAI-Transcribe-2-Streaming，可在说话人尚未讲完时持续输出临时转写结果。

该模型通过WebSocket接收语音，官方称平均320毫秒返回首个转写结果，支持60多种语言并自动识别语种，定价为每音频小时54美分。微软同时说明，实际速度还取决于网络和生成回复的模型，并非所有场景都能保证这一延迟。

作为对比，微软上月发布的非流式版本MAI-Transcribe-2定价每音频小时10美分，需等说话人讲完才开始处理；流式版本贵五倍多，换来的是边听边转。同日发布的还有语音合成模型MAI-Voice-2.1及其精简版。这批模型与推理模型Mai-Thinking-1组合后，微软已具备搭建完整语音智能体的自研组件，与其减少对OpenAI和Anthropic付费依赖的路线一致。