微软实时转写冲到榜首

微软把语音转写推进到“边听边行动”

微软在 10 月 1 日发布了 MAI-Transcribe-2-Streaming，这是 Microsoft AI 推出的首个实时流式语音转写模型。该模型支持 60 种语言、自动语言检测和连续输出，接收音频后约 100 多毫秒便能生成首批部分文本；在 Artificial Analysis 的测试中，它以 2.50% 的最终词错误率和 0.13 秒的最终转录延迟排在流式语音转文字模型首位。

流式语音转写是一种在说话尚未结束时持续接收音频、生成文本并修正结果的语音识别方式。它与传统的文件转写有根本区别：后者通常要等整段音频上传或处理完成后再返回结果，流式模型则会把“听、识别、理解”三个步骤重叠起来。

这次发布真正值得关注的并不是微软又做了一个听写模型，而是它把准确率和延迟同时压到了足以支撑语音智能体的水平。过去实时语音产品经常面临一个取舍：为了尽快显示文字，只能接受更多误识别；为了等到上下文完整、提高准确率，又会让字幕或语音助手慢半拍。MAI-Transcribe-2-Streaming 的成绩说明，这个取舍正在被削弱。

2.50% WER 与 0.13 秒延迟意味着什么

词错误率（Word Error Rate，WER）是衡量语音识别结果中替换、删除和插入错误所占比例的指标，数值越低越好。2.50% WER 可以粗略理解为每识别 100 个词出现约 2.5 个错误，但真实体验仍会受到语言、口音、噪声、专有名词和测试集构成影响，不能简单等同于所有场景下的固定错误概率。

Artificial Analysis 在 9 月 28 日公布的流式语音转文字测试中，MAI-Transcribe-2-Streaming 的最终 WER 为 2.50%。作为对比，Grok Voice Transcribe 2.0 Streaming 的最终 WER 为 2.73%，两者相差 0.23 个百分点；换算成相对降幅，微软模型的错误率低约 8.4%。这不是数量级上的碾压，但在头部语音模型已经进入低个位数 WER 的情况下，0.23 个百分点仍然是有实际意义的差距。

最终转录延迟是系统判断一段话已经结束后，将稳定文本提交给下游应用所需的时间。MAI-Transcribe-2-Streaming 在 Artificial Analysis 测试中的最终延迟为 0.13 秒，而补充结果显示 Grok Voice Transcribe 2.0 Streaming 约为 0.49 秒；按这组数字计算，微软模型快了 0.36 秒，延迟降低约 73.5%。

| 模型 | 最终 WER | 最终转录延迟 | 语言覆盖 | 主要特点 | |---|---:|---:|---:|---| | MAI-Transcribe-2-Streaming | 2.50% | 0.13 秒 | 60 种 | 自动、连续语言检测，实时修正部分文本 | | Grok Voice Transcribe 2.0 Streaming | 2.73% | 0.49 秒 | 参考资料未披露 | 此前位于流式转写榜单前列 | | MAI-Transcribe-2 | 官方页面列出的 Artificial Analysis WER 为 2% | 1 小时音频约 10 秒模型推理 | 60 种 | 非流式批量转写、说话人分离、词级时间戳 |

这些数字需要放在各自的测量口径下理解。微软所说的“100 多毫秒产生首批结果”、内部测试中的“文字最快约 320 毫秒显示”，以及 Artificial Analysis 测得的“0.13 秒最终延迟”，并不是同一个指标：第一个描述模型开始吐出部分文本的能力，第二个更接近从语音出现到用户看到文字的端到端体验，第三个则关注语句结束后稳定结果的提交速度。

对开发者而言，最关键的指标其实是整条链路的响应时间。麦克风采集、网络传输、语音端点检测、转写、语言模型推理、工具调用和语音合成都可能继续增加延迟，因此 0.13 秒不代表一个语音助手能在 0.13 秒内完整回答问题；它代表转写这一环节不再必然是主要瓶颈。

部分文本不是草稿，而是提前量

部分文本是流式模型在上下文尚未完整时输出、随后可能继续修改的临时识别结果。MAI-Transcribe-2-Streaming 会先快速给出部分文本，再根据新进入的语音持续校正，最后在语句结束后提交稳定版本。

这种机制的价值在于给下游系统争取提前量。假设用户对客服智能体说“帮我查一下上个月那笔重复扣款”，系统不必等整句话说完才开始工作；当“查一下上个月”被识别出来时，它可以预取账单，当“重复扣款”出现时，再收窄到异常交易流程。

提前执行同样带来了误触发风险。部分文本可能被后续上下文推翻，因此成熟的语音智能体不能把每一次临时识别都当作最终指令，而应区分可撤销动作与不可撤销动作：检索、预加载和意图分类可以提前进行，付款、提交工单、发送消息等操作则应等待稳定文本或用户确认。

MAI-Transcribe-2-Streaming 的产品意义因此不止是“字幕更快”。它更像是把语音输入从一个阻塞步骤变成持续更新的事件流，使智能体能够边听边准备、边修正边推理，并把原本串行的处理链改造成部分并行。

60 种语言只是起点，连续检测更重要

自动语言检测是模型在用户未预先指定语言的情况下，根据语音内容判断所用语言的能力。MAI-Transcribe-2-Streaming 覆盖 60 种语言，并支持自动、连续的语言检测，用户不需要在会话开始前先选择中文、英语或其他语言。

连续检测比启动时识别一次语言更适合真实对话。跨国会议、双语客服和技术讨论经常在一句话中混用中文与英文，例如“把 deployment rollback 到上一版”，如果系统只能为整场会话设置一种语言，英文产品名、代码术语和人名就容易成为错误集中区。

微软此前的 MAI-Transcribe-2 文档已经列出自动语言识别和语码切换能力，并提到可以处理 Hinglish、Spanglish 等常见混合语言组合。此次流式版本进一步强调持续语言检测，意味着语言变化可以在对话进行中处理，而不是切换语言后重新建立一条转写任务。

60 种语言覆盖并不意味着 60 种语言拥有完全相同的准确率。语音模型在高资源语言、低资源语言、不同口音和复杂噪声中的表现通常存在差异，而 2.50% 的榜单 WER 也不能直接外推到每一种语言；企业部署前仍应使用自己的电话录音、会议音频和行业词汇做分语言评测。

实时版价格是批量版的 5.4 倍

MAI-Transcribe-2-Streaming 在优惠阶段的价格为每小时 0.54 美元，折合每 1000 分钟 9 美元。按参考汇率计算，每小时约 3.6 元人民币，每 1000 分钟约 60.5 元人民币；开发者目前可通过 Microsoft Foundry、MAI Playground 等渠道体验或接入。

非流式 MAI-Transcribe-2 在 Azure Speech 公共预览阶段的优惠价为每小时 0.10 美元。以当前价格计算，流式版本是批量版本的 5.4 倍，每处理 1000 小时音频分别约需 540 美元和 100 美元，相差 440 美元。

| 产品 | 处理模式 | 优惠价格 | 每 1000 分钟价格 | 更适合的任务 | |---|---|---:|---:|---| | MAI-Transcribe-2-Streaming | 实时流式 | 0.54 美元/小时 | 9 美元 | 语音智能体、实时字幕、电话客服、同声转写 | | MAI-Transcribe-2 | 非流式 | 0.10 美元/小时 | 约 1.67 美元 | 会议归档、录音文件、临床文书、批量字幕 |

这个价差并不反常，因为实时服务需要维持长连接、持续处理短音频片段，并满足更严格的延迟要求。问题在于，很多业务并不真正需要流式能力：如果目标只是把一批录音变成可搜索文本，用每小时 0.54 美元购买 0.13 秒延迟没有意义；只有当提前几百毫秒能改善交互或提高坐席效率时，实时版的溢价才可能成立。

优惠价格也不应被直接视为长期成本基线。微软尚需明确正式商用后的定价、区域可用性、并发限制、服务等级协议以及数据处理条款，尤其是客服、医疗和会议场景往往涉及敏感语音数据，采购决策不能只看榜单和每小时单价。

批量转写与实时转写不是替代关系

MAI-Transcribe-2 是面向完整音频任务的非流式语音转文字模型。微软为它提供说话人分离、词级时间戳、关键词偏置、自动语言识别，以及 verbatim 和 clean 两种转录风格：前者保留语气词、停顿和说到一半的重启，适合质检与合规；后者清理填充内容，适合字幕、笔记和发布稿。

MAI-Transcribe-2-Streaming 则把重点放在实时性和连续理解上。对于直播字幕、电话坐席辅助和语音助手，晚几秒返回一份更完整的稿件往往没有价值；对于会议纪要、视频归档和临床文书，稳定结构、说话人标注和较低成本又通常比即时显示更重要。

开发者不应该仅凭“Streaming”这个后缀升级所有工作负载。更合理的架构是按任务分流：前台交互使用实时模型生成即时字幕和意图信号，后台再用非流式模型对完整录音进行整理、说话人分离和质量校正；这会产生额外调用成本，却能同时兼顾实时体验与最终文稿质量。

微软补的不是单点能力，而是语音智能体入口

微软正在把自研 MAI 模型从文本和图像扩展到完整语音链路。除了 MAI-Transcribe-2-Streaming，此次语音产品更新还包括面向语音生成的 MAI-Voice-2.1 和更低延迟的 MAI-Voice-2.1-Flash；转写负责“听见”，语言模型负责“理解和行动”，语音生成则负责“说出来”。

这套组合对微软的意义在于减少 Copilot、Teams、Dynamics 365 和联络中心产品对外部基础模型的依赖。语音交互的成本高度依赖调用频率和音频时长，自研模型即使只在单位成本、延迟或部署控制上取得有限优势，放到大规模办公和客服流量中也可能形成明显差异。

MAI-Transcribe-2-Streaming 当前最突出的优势是参数组合足够均衡。它不是只在准确率榜单上领先，也不是单纯追求最快的首字输出，而是在 2.50% 最终 WER、0.13 秒最终延迟、60 种语言和每小时 0.54 美元之间给出了有竞争力的平衡。

榜首成绩仍不能替代真实业务测试。Artificial Analysis 提供了统一口径下的横向参考，但电话线路压缩、多人抢话、远场麦克风、方言、品牌名和行业术语都可能改变结果；对开发团队来说，下一步不是围绕 0.13 秒做宣传，而是拿自己的音频测首字延迟、最终延迟、文本修订频率、专有名词召回率和每次完整会话成本。

微软这次发布最明确的信号是，实时语音识别的竞争正在从“能不能听懂”转向“能多早开始行动”。当转写错误率进入 3% 以下、稳定结果延迟降到百毫秒级后，决定产品体验的将不再只是识别模型本身，而是开发者能否正确处理部分文本、控制工具调用时机，并把整条语音智能体链路压缩到用户感受不到等待的程度。

参考来源

• IT之家：微软发布 MAI-Transcribe-2-Streaming：包含发布时间、60 种语言支持、价格、延迟和 Artificial Analysis 测试成绩等信息。