微软发布MAI-Transcribe-2-Streaming：实时语音转文本新标杆

全球首个高精度低延迟流式STT模型上线

微软AI于2026年10月1日正式发布MAI-Transcribe-2-Streaming，这是其首款专为实时场景设计的流式语音转文本（Streaming Speech-to-Text, STT）模型。该模型与同期发布的两款文本转语音模型MAI-Voice-2.1和MAI-Voice-2.1-Flash共同构成微软新一代语音技术栈。据第三方评测机构Artificial Analysis（AA）最新报告，在涵盖38款主流模型的AA-WER Streaming基准测试中，MAI-Transcribe-2-Streaming在最终转录和首段部分转录两项关键指标上均以2.5%的词错误率（WER）位列第一，分别达成0.13秒与0.12秒的端到端延迟（自语音结束起计），显著优于Grok Voice Transcribe 2.0（2.7%，0.49秒）和Muse Voice Transcribe（3.1%，0.16秒）。

技术特性：毫秒级响应与持续语言自适应

MAI-Transcribe-2-Streaming是批处理模型MAI-Transcribe-2（2026年9月发布）的实时演进版本，核心能力聚焦于“边说边转”。音频以流式方式持续输入，模型同步输出文本流；其首次生成的假设性片段（partials）在接收到音频信号后仅约100毫秒即发出，并随上下文不断修正，最终生成稳定终稿。这一机制使AI语音代理可在用户语句未结束时即启动推理或调用工具。模型支持60种语言，具备连续自动语言检测能力，无需预设语种或手动切换。微软内部测试显示，其单词呈现速度较最接近竞品快两倍。

评测方法与数据来源

Artificial Analysis的AA-WER Streaming评测基于约8小时真实语音数据集，构成比为：AA-AgentTalk（50%，模拟AI代理对话）、VoxPopuli（25%，多语种公众演讲）和Earnings22（25%，企业财报电话会议）。延迟测量以SileroVAD检测到语音结束时刻为起点。值得注意的是，该模型的首段部分转录准确率（2.5% WER）与最终转录完全一致——这对依赖即时响应的语音代理至关重要。此外，微软明确将该模型置于“准确率-延迟”帕累托前沿，即在同等延迟下准确率最高，或同等准确率下延迟最低。

商业化路径与集成方式

MAI-Transcribe-2-Streaming当前定价为0.54美元/小时音频（2026年内为入门价），折合约9.00美元/1000分钟，显著高于xAI（0.20美元）与Meta（0.18美元），与谷歌Gemini 3.5 Live的预估费率（约0.54美元，按token计费）相当。批量转录模型MAI-Transcribe-2则为0.10美元/小时。开发者可通过两条路径集成：一是兼容OpenAI Realtime协议的WebSocket实时API；二是Azure Speech SDK，后者统一管理连接、重试与音频流。模型亦已上线MAI Playground，并支持Vercel与Azure Voice Live平台；LiveKit支持标注为“即将推出”。微软同时将其与轻量级TTS模型MAI-Voice-2.1-Flash（150ms端到端延迟，45秒音频生成）组合，构建完整语音闭环。

竞品横向对比

在主要流式STT竞品中，MAI-Transcribe-2-Streaming在准确率与延迟平衡上表现突出：虽Cartesia Ink-2实现更快终稿返回（0.07秒），但WER达4.0%；而Gemini 3.5 Transcribe Live未在AA报告中披露延迟数据。语言覆盖方面，MAI支持60种语言并持续自动识别；Muse宣称支持70+种（其中25种经验证），Meta则提供20+说话人声纹区分能力，但微软未说明是否在流式模式下支持声纹分离。所有模型目前均未开源权重，且MAI-Transcribe-2-Streaming处于公开预览阶段，不提供服务等级协议（SLA）保障。