微软发布实时流式语音转写模型MAI-Transcribe-2-Streaming，60种语言支持
微软于10月1日发布其首个实时流式语音转写模型MAI-Transcribe-2-Streaming。该模型可在讲话进行时持续输出文字，支持60种语言及自动语言检测，开发者可通过Microsoft Foundry、MAI Playground、OpenRouter等渠道接入。
价格方面，该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。据Artificial Analysis测试，模型最终转录延迟为0.13秒，词错误率为2.50%，在28个流式语音转文字模型中位列第一，低于Grok Voice Transcribe 2.0 Streaming的2.73%和ElevenLabs Scribe v2 Realtime的3.59%。
功能上，模型支持自动、连续的语言检测，用户无需在会话开始前手动指定语言，系统可根据语音内容识别语言变化。微软表示，语音应用无需等到用户说完一句话，就可以提前理解意图、启动推理或调用工具，例如客服智能体可在来电者尚未说完时开始识别问题。
微软此前已推出非流式版本的MAI-Transcribe-2，在Azure Speech公共预览阶段的价格为每小时0.10美元。流式模型适合实时对话和字幕等场景，非流式模型则适合录音文件、会议记录和临床文书等完整转写任务。
- 2026-10-02 07:04 | IT之家：流式转录 AI 新标杆：微软 MAI-Transcribe-2-Streaming 登场，2.5% 词错误率、0.13 秒延迟夺冠阅读原文
IT之家 10 月 2 日消息，微软昨日（10 月 1 日）发布公告，宣布推出其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。费用方面，MAI‑Transcribe‑2‑Streaming 模型目前处于优惠阶段，价格为每小时 0.54 美元（IT之家注：现汇率约合 3.6 元人民币），约合每 1,000 分钟 9 美元（现汇率约合 60.5 元人民币），开发者可以通过 Microsoft Foundry、MAI Playground、OpenRouter 等渠道体验或接入。IT之家注，微软此前...