IT之家10月2日消息，微软（MSFT）昨日(10月1日)发布公告，宣布推出其首个实时流式语音转写模型MAI‑Transcribe‑2‑Streaming，可在讲话进行时持续输出文字，覆盖60种语言，并支持自动语言检测。
费用方面，MAI‑Transcribe‑2‑Streaming模型目前处于优惠阶段，价格为每小时0.54美元(IT之家注：现汇率约合3.6元人民币)，约合每1,000分钟9美元(现汇率约合60.5元人民币)，开发者可以通过Microsoft Foundry、MAI Playground、OpenRouter等渠道体验或接入。
IT之家注，微软（MSFT）此前已推出非流式的MAI‑Transcribe‑2，在Azure Speech公共预览阶段的价格为每小时0.10美元(现汇率约合0.67元人民币)。流式“Streaming”是实时返回相关结果，适合实时对话和字幕；而非流式是处理完成后一次性返回，适合录音文件、会议记录和临床文书等完整转写任务。
延迟方面，MAI-Transcribe-2-Streaming会在接收到音频后约100多毫秒内生成首批“部分文本”，随后根据更多上下文持续修正，并在语句结束后快速提交稳定结果。
微软（MSFT）称，在其实时评估中，文字最快可在语音出现后约320毫秒显示；在Artificial Analysis的测试中，模型最终转录延迟为0.13秒，最终词错误率为2.50%，位列28个流式语音转文字模型之首。
在实际体验方面，语音应用无需等到用户说完一句话，就可以提前理解意图、启动推理或调用工具。例如，客服智能体可以在来电者尚未说完时开始识别问题，实时字幕系统也能更接近“所说即所见”的体验。
功能方面，MAI-Transcribe-2-Streaming支持60种语言，并具备自动、连续的语言检测能力。用户无需在会话开始前手动指定语言，系统可以根据语音内容识别语言变化。
跑分方面，在Artificial Analysis于9月28日公布的流式语音转文字排行榜中，MAI-Transcribe-2-Streaming的最终词错误率为2.50%，低于Grok Voice Transcribe2.0Streaming的2.73%和ElevenLabs Scribe v2Realtime的3.59%。微软（MSFT）同时强调，该模型在最终转录和首次部分转录两个指标上均排名第一。
