Microsoft AI 发布了 MAI-Transcribe-2-Streaming，这是其首个流式语音转文本（STT）模型。它于 2026 年 10 月 1 日与 2 个文本转语音模型 MAI-Voice-2.1 和 MAI-Voice-2.1-Flash 一同推出。Artificial Analysis 将其在最终转录和首个部分转录准确率上列为 38 个模型中的第 1 名。该模型面向语音智能体、实时字幕和听写，在这些场景中延迟决定体验。
Microsoft 发布了什么
MAI-Transcribe-2-Streaming 是 9 月发布的批处理版 MAI-Transcribe-2 的实时版本。它可转录 60 种语言，并支持自动、连续的语言检测。音频持续流入，文本在说话者仍在讲话时就流式返回。
该模型在接收到音频后仅 100ms 多一点就输出其首批假设，称为 partials。随着上下文到来，它会修正这些 partials，然后提交稳定的最终转录。因此，智能体可以在句子中途开始推理或调用工具。Microsoft 团队表示，其内部测试显示单词出现速度比最接近的竞争对手快 2 倍。
Artificial Analysis 测量了什么
AA-WER Streaming 指数使用约 8 小时音频。其构成为 AA-AgentTalk（50%）、VoxPopuli（25%）和 Earnings22（25%）。延迟从语音结束时刻开始计时，由 SileroVAD 检测。
最终转录：语音结束后 0.13s 时 WER 为 2.5%，在 38 个模型中排名第 1。
首个部分转录：语音结束后 0.12s 时 WER 为 2.5%，同样排名第 1。
紧随其后：Grok Voice Transcribe 2.0 为 2.7% 和 0.49s。Muse Voice Transcribe 为 3.1% 和 0.16s。
并非最快：Cartesia Ink-2（外部端点）在 0.07s 内返回最终结果，但 WER 为 4.0%。
首个部分转录与最终转录一样准确。这对在说话者说完之前就采取行动的智能体很重要。Microsoft 还将该模型置于准确率与延迟的帕累托前沿上。
定价
MAI-Transcribe-2-Streaming 的价格为每小时音频 $0.54。这是截至 2026 年底的 introductory price。Artificial Analysis 将其归一化为每 1,000 分钟 $9.00。批处理版 MAI-Transcribe-2 的价格为每小时 $0.10。在流式处理方面，Microsoft 的收费高于 xAI 和 Meta，并与 Google 的估算费率大致相当。
开发者如何集成它
Microsoft 记录了 2 条集成路径。Realtime API 适合已经在使用兼容 OpenAI Realtime 的 WebSocket 的应用。Azure Speech SDK 负责连接管理、重试和音频流传输。两者都会返回中间结果和最终结果。
该模型也可在 MAI Playground 中使用，并通过 Vercel 和 Azure Voice Live 提供。LiveKit 支持被列为即将推出。
Microsoft 将其与 MAI-Voice-2.1-Flash 搭配以实现完整的语音循环。Flash 以 150ms 端到端延迟生成 45s 音频，价格为每 1M 字符 $15。MAI-Voice-2.1 覆盖 23 种语言和 26 个区域设置，价格为每 1M 字符 $22。
对比：MAI-Transcribe-2-Streaming 与最接近的流式竞品
功能MAI-Transcribe-2-StreamingGrok Voice Transcribe 2.0Muse Voice TranscribeGemini 3.5 Transcribe Live开发者Microsoft AIxAIMeta Superintelligence LabsGoogle发布日期2026 年 10 月 1 日2026 年 9 月 18 日2026 年 9 月 1 日2026 年 8 月 26 日AA-WER 流式（最终）2.5%2.7%3.1%4.0%达到最终结果的时间0.13s0.49s0.16sAA 引用的来源未报告流式价格 / 小时$0.54（介绍价）$0.20$0.18~$0.54（按 token 计费的估算）语言60 种，持续自动检测数十种，自动检测，录制中途切换70+ 种已训练，25 种已验证85+ 种，自动检测流式中的说话人分离未说明API 中包含（流式未确认）是，20+ 位说话人Live 模式不支持接口Realtime API（WebSocket）+ Azure Speech SDKWebSocketWebSocket + 文件端点Live API（WebSocket）开源权重否否否否
来源：Artificial Analysis、9to5Mac（Muse 定价）、DataCamp（Grok 定价）、The Batch（Gemini 定价）。2026 年 10 月 2 日验证。
关键要点
在 AA-WER Streaming 上 38 个中的第 1 名：2.5% WER，0.13s 达到最终结果。
首批部分结果同样达到 2.5% WER，用时 0.12s。
60 种语言，具备持续自动语言检测。
每小时 $0.54 的介绍价，高于 xAI 和 Meta。
公开预览版，无 SLA，无开源权重。
查看技术细节。所有功劳归于该项目的研究人员。另外，欢迎在 Twitter 上关注我们，别忘了加入我们的 150k+ ML SubReddit 并订阅我们的 Newsletter。等等！你在 Telegram 上吗？现在你也可以在 Telegram 上加入我们。
需要与我们合作推广你的 GitHub Repo 或 Hugging Face Page 或产品发布或网络研讨会等？请联系我们
文章 Microsoft AI Releases MAI-Transcribe-2-Streaming: #1 Real-Time Speech-to-Text Model on Artificial Analysis 首次发布于 MarkTechPost。