MAI-Transcribe-2-Streaming – 微软推出的实时流式语音转写模型

MAI-Transcribe-2-Streaming是一款由微软于2026年10月推出的实时流式语音转写模型，主要用于把讲话过程中的语音持续转为文字，支持 60 种语言与自动连续语言检测，适用于实时字幕、客服智能体与语音助手等方向。

MAI-Transcribe-2-Streaming 的核心能力

微软把 MAI-Transcribe-2-Streaming 定位为面向语音智能体的实时输入层。与以往「先录完再转写」的批处理方式不同，该模型在讲话进行中就开始产出文本，这一变化直接影响 AI模型 接入语音的场景边界：语音应用不必等用户说完一句，就能提前理解意图并准备后续动作。

讲话进行中持续输出文字

MAI-Transcribe-2-Streaming 在接收音频后约 100 多毫秒内生成首批「部分文本」，随后依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。微软称，在其内部实时评估中，文字最快可在语音出现后约 320 毫秒显示。模型通过 WebSocket 接收音频流并按片段持续回传。

准确率与延迟两项指标同时靠前

在 Artificial Analysis 的流式语音转文字评测中，该模型的最终词错误率为 2.50%、最终转录延迟为 0.13 秒，两项均列第一；首次部分转录的词错误率为 2.8%。同一轮评测中，其表现优于此前的领先者：Grok Voice Transcribe 2.0 Streaming 的最终词错误率为 2.73%，延迟约 0.49 秒。微软同时说明，该模型在准确率与延迟的权衡曲线上处于前沿位置。

60 种语言与自动连续语言检测

模型覆盖 60 种语言，并具备自动、连续的语言检测能力。使用方无需在会话开始前指定语言，系统会根据语音内容识别语言变化。对多语种客服与跨地区会议而言，这一点省去了按语种分段重建会话的步骤，转写结果可以保持单条会话的连续性。

与两款语音合成模型配套组合

与流式转写同期发布的还有文本转语音模型 MAI-Voice-2.1 与 MAI-Voice-2.1-Flash，分别面向表现力与低延迟两类需求，各支持 23 种语言，定价分别为每百万字符 22 美元与 15 美元。两者均支持在受支持语言之间保持同一音色切换语种，并内置同意校验机制：声音复刻需经过审核与授权，只有获得本人同意的声音才可合成。

云端接入与替换成本

模型通过 Microsoft Foundry、MAI Playground 与 OpenRouter 提供，语音应用可以直接替换原有转写环节。对已在使用微软语音服务的团队，改动集中在模型标识与流式会话的拼接逻辑上，上层业务链路无需重建。

MAI-Transcribe-2-Streaming 与同类语音转写模型的对比

上表 MAI-Transcribe-2-Streaming 一列取自微软官方发布材料，Confucius4-R2T2 一列取自网易有道官方仓库说明，Grok Voice Transcribe 2.0 一列取自 xAI 官方模型说明。差异集中在形态与成本：MAI-Transcribe-2-Streaming 与 Grok Voice Transcribe 2.0 都以云端接口按音频小时计费，前者优惠期单价比后者高出约一倍半，换取更低的最终延迟；Confucius4-R2T2 以约 20 亿参数的开放权重提供本地部署路径，解码块可在 80 毫秒至 2 秒之间配置，代价是规模化服务需自行承担。

如果需要按录音文件批量转写并压低单位成本，可以参考 MAI-Transcribe-2（微软上一代非流式语音转写模型，按音频小时 0.10 美元计费，适合会议记录与临床文书等完整转写任务）。

MAI-Transcribe-2-Streaming 的应用场景与适用人群

该模型面向需要边听边处理的实时语音链路，常见场景包括：

• 实时字幕：直播、线上会议与课堂中同步生成字幕，延迟指标直接决定字幕的可读性。
• 客服智能体：在来电者尚未说完时开始识别问题并预取业务数据，缩短单次应答时长。
• 语音助手：把语音输入前置到推理环节，先启动工具调用准备，语句结束后再确认执行。
• 多语种会话记录：依赖自动语言检测处理语种切换频繁的跨地区会议记录。

适用人群：构建实时语音交互产品的开发者、需要低延迟字幕能力的直播与教育平台，以及把语音入口接入智能体流程的企业团队。对只需要处理录音文件的场景，非流式模型在成本上更合适。

MAI-Transcribe-2-Streaming 的使用方法

模型通过云端接口提供，按以下顺序接入：

1. 核对能力边界：在 MAI-Transcribe-2-Streaming 官方发布页 中确认支持语言与延迟口径。
2. 开通渠道：通过 Microsoft Foundry 或 OpenRouter 获取调用凭据，也可先在 MAI Playground 中体验效果。
3. 建立流式会话：以 WebSocket 持续推送音频片段，接收增量返回的部分文本。
4. 处理最终结果：语句结束标记到达后，以稳定文本覆盖此前的部分结果，再交给下游逻辑。
5. 设置降级路径：在网络抖动或超时场景下切换回批量转写接口，避免会话中断。

接入初期建议先用单向音频流验证延迟与断句表现，再叠加工具调用与业务逻辑。

MAI-Transcribe-2-Streaming 的价格与开源情况

MAI-Transcribe-2-Streaming 的优惠期定价为每音频小时 0.54 美元，约合每 1,000 分钟 9 美元，优惠持续至 2026 年底，此后将恢复常规定价。同批发布的 MAI-Voice-2.1 与 MAI-Voice-2.1-Flash 分别按每百万字符 22 美元与 15 美元计费。对以流式转写为核心链路的语音产品，音频小时单价需要与延迟指标一并权衡：单位成本更高的前提是延迟改善能转化为业务收益。

MAI-Transcribe-2-Streaming 未开放模型权重，属于闭源模型，仅通过微软云平台与合作渠道提供 API 调用，本地部署与私有化方案不在可选范围内。需要本地化处理的场景，只能选择权重开放的同类模型。

MAI-Transcribe-2-Streaming 的常见问题