MAI-Transcribe-2-Streaming

MAI-Transcribe-2-Streaming 是微软于 2026 年 10 月 1 日发布的实时语音转文字模型，支持 60 种语言及自动语言检测。它接收连续音频，先返回可修订的中间文本，再确认最终文本，适合实时字幕、会议转写和语音助手。当前为公开预览，通过 Microsoft Foundry 和 Azure Speech 服务提供。

流式转写让文本在讲话过程中出现

模型输入为音频、输出为文字。微软称，接收音频后略超过 100 毫秒即可生成第一批中间结果；后续音频会修订这些结果。这个数字是厂商公布的首个假设延迟，并不等于整句话的最终转写时间。微软未公开参数规模、模型架构或权重，不能据此判断它与非流式 MAI-Transcribe-2 使用相同的技术路线。

独立评测支持准确率优势，但计时从语音结束开始

2026 年 10 月 3 日读取的 Artificial Analysis 原始榜单数据中，该模型的最终文本词错误率为 2.5136%，语音结束后的首个中间结果词错误率约 2.5163%，最终文本延迟约 0.128 秒。AA-WER Streaming 使用约 8 小时音频，按 AA-AgentTalk 50%、VoxPopuli 25%、Earnings22 25% 加权。延迟从检测到语音结束开始计时，因此不能把它与微软的音频接收至首个中间结果延迟直接比较。这些结果也不是全部 60 种语言的逐语种准确率证明。

介绍价按音频时长收费

微软发布价为每音频小时 0.54 美元，介绍价持续至 2026 年底。本站以每分钟 0.009 美元记录同一价格，不按文字 token 收费；官方尚未公布介绍期后的价格。

实时字幕适用，精细标注能力仍有限

开发者可通过 Realtime API 或 Azure Speech SDK 接入。微软文档说明，单个 Realtime 会话最长一小时；Speech SDK 结果不含识别语言、置信度或词级时间戳，只有最终结果包含片段级时间信息。需要说话人分离或词级时间戳时，应单独核对非流式 MAI-Transcribe-2 的能力。Microsoft Learn 将本服务标为公开预览，目前不提供服务等级协议。

来源：微软发布说明（2026-10-01）；Realtime API 文档；Speech SDK 文档；Artificial Analysis 流式转写评测（读取于 2026-10-03）。