Microsoft发布MAI-Transcribe-2-Streaming：实时语音转写模型登顶业界榜单
首款实时语音转文字模型亮相
随着大模型和智能助手的普及，语音转写正在成为各类AI应用的关键一环。10月2日，微软AI团队正式发布了旗下首款实时语音转文字（语音识别）模型 MAI-Transcribe-2-Streaming。该模型专为流式（实时）场景设计，能够“边说边转”，在吞吐量与延迟之间取得良好平衡，面向会议纪要、实时字幕、语音客服等高频应用场景。
性能出色：低延迟与高准确率兼得
据微软公布的数据，MAI-Transcribe-2-Streaming 在第三方评测平台 Artificial Analysis 的流式语音识别排行榜（AA-WER Streaming）中排名第一，覆盖38款主流模型。具体来看，该模型在最终识别文本上的词错误率（WER）为2.5%，延迟约0.13秒；在首次部分识别结果上也达到2.5%的词错误率、约0.12秒延迟，真正做到“边听边转”几乎无卡顿。
词错误率（WER）是衡量语音识别准确度的核心指标，数值越低代表识别越准确。
支持60种语言，连续语种识别
除效率和低延迟外，MAI-Transcribe-2-Streaming 的另一大亮点是覆盖60种语言，并支持连续的语言检测能力。在多语种会议或国际通话中，模型能够自动识别并切换语种，无需手动指定，显著降低了使用门槛，适合全球化企业的多语言实时转写需求。
上线与定价：Foundry公开预览
目前，该模型已通过微软 Foundry 平台进入公开预览（Public Preview）阶段，开发者可先行体验。定价方面也颇具竞争力——介绍期内约0.54美元/小时，为长时间实时转写场景提供了较高性价比。微软表示，未来将持续完善流式识别能力，并与自家智能体及Office生态深度整合。
小结
实时语音转写正从“能用”走向“好用”。微软 MAI-Transcribe-2-Streaming 以低延迟、高准确率和多语种连续识别，为AI助手、会议与客服等场景带来了更流畅的体验。随着更多厂商入局，流式语音识别的性能与成本竞争将进一步加剧，最终受益的将是广大用户和开发者。
本文内容基于公开网络资讯整理