微软发首个流式转写模型：60 语种自动切语，最终词错 2.5%、0.13 秒出终稿
微软 AI 10 月 1 日发布自家第一个实时流式转写模型 MAI-Transcribe-2-Streaming：边说话边出字，覆盖 60 种语言并支持自动、连续的语言检测。官方称它在 Artificial Analysis 的流式语音转文字榜上，最终转录与首次部分转录两项准确率都排第一，并位于该榜的准确率-延迟帕累托前沿。官方引用的人工智能分析（Artificial Analysis）9 月 28 日榜数据为最终词错误率 2.5%、出终稿 0.13 秒；此前第一名的 SpaceXAI Grok Voice Transcribe 2.0 是 2.7% 与 0.49 秒。定价按音频时长计，年内为每小时 0.54 美元。
同批发出的是两款语音生成模型：MAI-Voice-2.1 支持 23 种语言、26 个地区，卖点是同一个音色在各语言间切换仍保持母语口音（说完英语说普通话再说德语，「说话人听起来还是同一个人」）；MAI-Voice-2.1-Flash 是更低延迟的轻档。三款模型的开放方式写得很具体：两个语音模型上 OpenRouter，三款都进 Microsoft Foundry、MAI Playground 与 Vercel，Azure Voice Live 与 LiveKit 在接入中。
它改变的是实时语音应用的默认拼法：过去的实时语音链路是 ASR、LLM、TTS 三段接力，延迟与错误在每段累加；现在转写这一段被压到「说完话到终稿 0.13 秒」的尺度，而且把「部分结果」也当成一等公民来上报——首次部分转录同样列第一。实时字幕、实时翻译、语音座席这类应用的主变量，于是从模型能力转向系统编排：谁先把三段拼成一段，谁的体验就先成立。
原文链接：Microsoft AI 官方博客
核验记录
官方博文 microsoft.ai/news/our-first-streaming-transcription-model/ 直读 200 / 530,730 字节，两处日期同指 2026-10-01（页内可见 October 1, 2026 与 JSON-LD datePublished 2026-10-01T16:00:00+00:00）。60 种语言、23 语言 26 地区、0.54 美元/小时三处数字取自该页正文。⚠ 2.5% 与 0.13 秒等榜单数字位于该页嵌入的图表组件（base64 载荷），正文纯文本检索不到，本站取官方正文与多家报道同引的 Artificial Analysis 9 月 28 日流式榜（IT之家、Unite.AI、凤凰科技一致），未直读 Artificial Analysis 原始榜单页；Grok Voice Transcribe 2.0 的 2.7% / 0.49 秒同样未直读原始榜。三款模型的发布事实与分发渠道逐字取自官方正文。配图 microsoft.ai/wp-content/uploads/2026/10/voice_agents_header.webp 裸请求与带站内 Referer 各一次均 200 / 58,224 字节 webp。