微软发布MAI-Transcribe-2-Streaming：实时语音转文字登顶基准榜

微软发布MAI-Transcribe-2-Streaming：实时语音转文字登顶基准榜 | 前端进阶之旅

Full translation

完整中文译文

Microsoft AI 发布了 MAI-Transcribe-2-Streaming，这是其首款流式语音转文本（STT）模型。该模型于 2026 年 10 月 1 日发布，同期还推出了两款文本转语音模型：MAI-Voice-2.1 和 MAI-Voice-2.1-Flash。Artificial Analysis 将其评为 38 款模型中最终转录和首次部分转录准确度的第一名。该模型面向语音 Agent、实时字幕和听写场景，延迟是决定体验的关键因素。

Microsoft 发布的产品

MAI-Transcribe-2-Streaming 是批处理模型 MAI-Transcribe-2（9 月发布）的实时兄弟版本。它支持 60 种语言的转录，并具备自动、持续的语言检测能力。音频流持续输入，在说话者仍在讲话的同时文本流输出。

模型在接收音频后约 100ms 即可输出首批假设（称为 partials，部分转录）。随着上下文信息的到达，它会修订这些部分转录，然后提交稳定的最终转录文本。因此，Agent 可以在句子进行过程中就开始推理或调用工具。Microsoft 团队表示，内部测试显示词语出现的速度是其最接近竞争对手的 2 倍。

Artificial Analysis 的测试方法

AA-WER Streaming 指数基于约 8 小时的音频数据。混合来源为 AA-AgentTalk（50%）、VoxPopuli（25%）和 Earnings22（25%）。延迟从语音结束（由 SileroVAD 检测）时开始计时。

最终转录：WER 2.5%，语音结束后 0.13s，38 款模型中排名第 1。

首次部分转录：WER 2.5%，语音结束后 0.12s，同样排名第 1。

其他模型表现：Grok Voice Transcribe 2.0 为 2.7%、0.49s。Muse Voice Transcribe 为 3.1%、0.16s。

并非最快：Cartesia Ink-2（外部端点）在 0.07s 内返回最终结果，但 WER 高达 4.0%。

首次部分转录与最终转录准确度相同。这对在说话者结束前就采取行动的 Agent 至关重要。Microsoft 还将该模型置于准确度-延迟 Pareto 前沿上。

MAI-Transcribe-2-Streaming 定价为每小 </think>

MAI-Transcribe-2-Streaming 的定价为每小 </think>

MAI-Transcribe-2-Streaming 定价为每小音频 $0.54。这是截至 2026 年底的introductory 价格。Artificial Analysis 将其标准化为每 1000 分钟 $9.00。批处理版 MAI-Transcribe-2 价格为每小 </think>

音频 $0.10。流式版本 Microsoft 的定价高于 xAI 和 Meta，与 Google 的估算费率大致持平。

开发者如何集成

Microsoft 提供了两种集成路径。Realtime API 适用于已使用 OpenAI Realtime 兼容 WebSocket 的应用。Azure Speech SDK 处理连接管理、重试和音频流传输。两者都返回中间结果和最终结果。

该模型也可通过 MAI Playground、Vercel 和 Azure Voice Live 访问。LiveKit 支持列 </think>

该模型也可通过 MAI Playground、Vercel 和 Azure Voice Live 访问。LiveKit 支持列

该模型也可通过 MAI Playground、Vercel 和 Azure Voice Live 访问。LiveKit 支持列 </think>

该模型也可通过 MAI Playground、Vercel 和 Azure Voice Live 访问。LiveKit 支持列

该模型也可通过 MAI Playground、Vercel 和 Azure Voice Live 访问。LiveKit 支持列 </think>

该模型也可通过 MAI Playground、Vercel 和 Azure Voice Live 访问。LiveKit 支持列为即将推出。

Microsoft 将其与 MAI-Voice-2.1-Flash 配对以实现完整的语音交互。Flash 以 150ms 端到端延迟生成 45 秒音频，定价为每百万字符 $15。MAI-Voice-2.1 覆盖 23 种语言和 26 个地区，定价为每百万字符 $22。

对比：MAI-Transcribe-2-Streaming 与最接近的流式竞争对手

功能	MAI-Transcribe-2-Streaming	Grok Voice Transcribe 2.0	Muse Voice Transcribe	Gemini 3.5 Transcribe Live
开发商	Microsoft AI	xAI	Meta Superintelligence Labs	Google
发布日期	2026 年 10 月 1 日	2026 年 9 月 18 日	2026 年 9 月 1 日	2026 年 8 月 26 日
AA-WER Streaming（最终）	2.5%	2.7%	3.1%	4.0%
最终结果延迟	0.13s	0.49s	0.16s	AA 来源未报告
流式价格 / 小时	$0.54（intro）	$0.20	$0.18~$0.54（按 token 计费估算）	—
语言	60，持续自动检测	数十种，自动检测，支持录制中切换	训练 70+，验证 25+	85+，自动检测
流式播客说话人分离	未说明	API 包含（流式未确认）	是，20+ 说话人	Live 模式不支持
接口	Realtime API（WebSocket）+ Azure Speech SDK	WebSocket	WebSocket + 文件端点	Live API（WebSocket）
开源权重	否	否	否	否

来源：Artificial Analysis、9to5Mac（Muse 定价）、DataCamp（Grok 定价）、The Batch（Gemini 定价）。验证于 2026 年 10 月 2 日。

AA-WER Streaming 38 款模型排名第 1：WER 2.5%，延迟 0.13s 出最终结果。

首批部分转录同样达到 WER 2.5%，延迟 0.12s。

60 种语言，持续自动语言检测。

每小时 $0.54 的introductory 价格，高于 xAI 和 Meta。

公开预览，无 SLA，无开源权重。

查看技术详情。所有功劳归功于该项目的研究人员。同时，欢迎在 Twitter 上关注我们，不要忘记加入我们的 15 万+ ML SubReddit 并订阅我们的通讯。另外，你还在用电报吗？现在你也可以加入我们了。

想与我们合作推广你的 GitHub 仓库或 Hugging Face 页面或产品发布或网络研讨会吗？联系我们。