微软发布流式语音转写新模型 MAI-Transcribe-2-Streaming，2.5%词错误率创行业纪录
AI新闻阅读 0
微软于10月1日宣布推出实时流式语音转写模型MAI-Transcribe-2-Streaming，该模型可在语音输入过程中持续输出文字，支持60种语言并具备自动语言检测能力。
该模型当前处于价格优惠阶段，每小时收费0.54美元（约3.6元人民币），每千分钟收费9美元（约60.5元人民币）。开发者可通过Microsoft Foundry、MAI Playground等平台体验。
与非流式版本MAI-Transcribe-2相比，流式版本能实时返回结果，适用于实时对话和字幕场景。非流式版本则适合录音文件、会议记录等完整转写任务。
在延迟测试中，模型在接收音频后约100毫秒内生成首批文本，最终转录延迟为0.13秒，词错误率2.50%，位列28个流式语音转写模型首位。
实际应用中，该模型可使语音应用在用户未说完句子时即提前理解意图，例如客服系统可在通话开始时识别问题，实时字幕系统实现接近‘所说即所见’的体验。
模型支持60种语言并具备连续语言检测能力，用户无需手动指定语言，系统会根据语音内容自动识别语言变化。
在Artificial Analysis公布的流式语音转写排行榜中，MAI-Transcribe-2-Streaming的最终词错误率2.50%，低于Grok Voice Transcribe 2.0 Streaming的2.73%和ElevenLabs Scribe v2 Realtime的3.59%。