摘要：
10月1日，微软人工智能推出MAI-Transcribe-2-Streaming，一款实时流式语音转写模型。在Artificial Analysis的流式语音转文字评测中，其最终词... 10月1日，微软人工智能推出MAI-Transcribe-2-Streaming，一款实时流式语音转写模型。在Artificial Analysis的流式语音转文字评测中，其最终词错误率2.50%、最终转录延迟0.13秒，两项均列第一。首批部分文本在约100至320毫秒内生成，覆盖60种语言与自动连续语言检测，优惠期定价每音频小时0.54美元。
从“录完再转”到“边说边出”
微软将其定位为语音智能体的实时输入层。与以往批处理方式不同，该模型在讲话进行中就开始产出文本——接收音频后约100多毫秒生成首批部分文本，随后依据更多上下文持续修正，语句结束后快速提交稳定结果。这意味着语音应用不必等用户说完一句，就能提前理解意图并准备后续动作。模型通过WebSocket接收音频流并按片段持续回传。
延迟与准确率的权衡曲线
在AI工具导航的语音转写分类中，MAI-Transcribe-2-Streaming的定位与开源方案形成鲜明对比。Confucius4-R2T2以约20亿参数的开放权重提供本地部署路径，解码块可在80毫秒至2秒之间配置，代价是规模化服务需自行承担；Grok Voice Transcribe 2.0按每音频小时0.20美元计费，价格更低，但最终延迟约0.49秒。MAI-Transcribe-2-Streaming优惠期单价约为Grok的2.5倍，换取的是更低的最终延迟和更高的词错率表现。对于构建实时语音交互产品的开发者，这个溢价是否值得，取决于延迟改善能否转化为业务收益——客服场景中，每缩短一秒等待都可能影响转化率。
配套语音合成与授权机制
与流式转写同期发布的还有文本转语音模型MAI-Voice-2.1与MAI-Voice-2.1-Flash，分别面向表现力与低延迟需求，各支持23种语言，定价分别为每百万字符22美元与15美元。两者均支持在受支持语言间保持同一音色切换语种，并内置同意校验机制：声音复刻需经过审核与授权，只有获得本人同意的声音才可合成。这套组合把语音输入与输出串联成完整链路，对客服智能体与语音助手场景是直接可用的基础设施。在AI办公软件推荐的语境下，会议记录、客服质检与跨语种协作是流式转写最直接落地的三个场景。
应用场景与接入方式
模型面向需要边听边处理的实时语音链路：直播与线上会议的实时字幕、客服智能体在来电者尚未说完时预取业务数据、语音助手把输入前置到推理环节、多语种会话记录依赖自动语言检测处理语种切换。适用人群：构建实时语音交互产品的开发者、需要低延迟字幕能力的直播与教育平台，以及把语音入口接入智能体流程的企业团队。
接入方面，通过Microsoft Foundry或OpenRouter获取调用凭据，以WebSocket持续推送音频片段，接收增量返回的部分文本；语句结束标记到达后，以稳定文本覆盖此前部分结果。建议设置降级路径：网络抖动或超时场景下切换回批量转写接口，避免会话中断。接入初期先用单向音频流验证延迟与断句表现，再叠加工具调用与业务逻辑。
价格与开源
优惠期定价每音频小时0.54美元，约合每1000分钟9美元，优惠持续至2026年底，此后恢复常规定价。模型未开放权重，仅通过微软云平台与合作渠道提供API调用，本地部署不在可选范围内。需要本地化处理的场景，只能选择权重开放的同类模型。
编辑判断
MAI-Transcribe-2-Streaming的发布，把流式语音转写的竞争焦点从“准不准”推进到“快不快”。0.13秒的最终延迟意味着语音智能体可以在用户停顿的间隙完成意图识别与工具预调用，交互体验从“一问一答”向“边说边办”靠拢。但0.54美元的单价是开源方案的数倍，对成本敏感的团队，非流式模型或开源自部署仍是更务实的选择。微软同时把语音合成与授权机制配套发布，意图很明显：不是卖一个转写接口，而是提供一套语音链路的完整底座。