微软MAI流式语音转写模型登顶：词错率2.5%

2026年10月1日，微软AI正式发布旗下首个流式语音转写模型 MAI-Transcribe-2-Streaming，与两款文字转语音模型 MAI-Voice-2.1、MAI-Voice-2.1-Flash 同日亮相。根据评测机构 Artificial Analysis 的实时转写榜单，该模型在全部38款参评模型中，最终转写稿与首个部分转写的准确率双双排名第一，一举成为实时语音转写赛道的新标杆。

登顶成绩单：词错率2.5%，终稿延迟0.13秒

Artificial Analysis 的 AA-WER Streaming 指数基于约8小时真实音频测算，语料由 AA-AgentTalk（50%）、VoxPopuli（25%）与 Earnings22（25%）构成，延迟从 SileroVAD 检测到语音结束的时刻开始计时。在这份榜单上，MAI-Transcribe-2-Streaming 的最终转写稿词错率为2.5%，语音结束后0.13秒即可输出，在38款模型中高居榜首。

更值得注意的是，其首个部分转写同样达到2.5%的词错率，耗时仅0.12秒——首稿准确率与终稿完全持平。微软同时强调，该模型位于“准确率—延迟”帕累托前沿之上，意味着目前不存在既比它更准、又比它更快的流式转写模型。对需要在说话人尚未讲完时就采取行动的语音智能体而言，首稿即可靠这一点尤其关键。

流式机制：边说边转，半句话即可触发工具调用

MAI-Transcribe-2-Streaming 是9月发布的批处理模型 MAI-Transcribe-2 的实时“兄弟版本”，面向语音智能体、实时字幕与口述录入等延迟决定体验的场景。它支持60种语言，并具备自动且连续的语种检测能力：音频流持续输入、文字流实时返回，说话人还在讲话时，文字已经出现在屏幕上。

其工作机制可概括为三步：音频到达约100毫秒后，模型发出首个假设结果（称为 partials）；随着上下文不断到来，模型持续修订这些部分结果；最终提交一份稳定不变的终稿。这意味着语音智能体可以在一句话说到一半时就开始推理或调用工具，而不必等待整句结束。

“内部测试显示，文字出现的速度比最接近的竞品快2倍。”——微软团队

竞品对比：最快未必最准，最准兼顾够快

榜单第二名是 xAI 于9月18日发布的 Grok Voice Transcribe 2.0，词错率2.7%，但终稿延迟长达0.49秒；Meta Superintelligence Labs 的 Muse Voice Transcribe（9月1日发布）以3.1%词错率、0.16秒延迟紧随其后；Google 8月26日上线的 Gemini 3.5 Transcribe Live 词错率为4.0%。Cartesia 的 Ink-2 在外部端点上终稿延迟仅0.07秒、为全场最快，但4.0%的词错率说明速度与精度难以兼得，微软此次选择了在两者之间取得最优平衡。

功能层面各有取舍：Grok 支持数十种语言、可在录制中途切换语种，并提供 API 内置说话人分离（流式下是否生效未确认）；Muse 训练语言超过70种（已验证25种），支持20人以上的说话人分离；Gemini 支持85种以上语言自动检测，但 Live 模式下不支持说话人分离。微软模型的优势在于60种语言的连续自动检测，但流内说话人分离能力尚未说明。四款模型均不开放权重。

定价与接入：每小时0.54美元，双通道集成

MAI-Transcribe-2-Streaming 目前的介绍价为每小时音频0.54美元，有效期至2026年底，Artificial Analysis 将其折算为每1000分钟9美元。相比之下，批处理版 MAI-Transcribe-2 每小时仅0.10美元。就流式转写而言，微软的定价高于 xAI（0.20美元/小时）和 Meta（0.18美元/小时），大致与 Google 按令牌计费的估算费率持平。

微软官方文档给出两条集成路径：其一是 Realtime API，适合已在使用与 OpenAI Realtime 兼容 WebSocket 的应用；其二是 Azure Speech SDK，负责连接管理、重试与音频流传输。两条路径均会同时返回中间结果与最终结果。此外，模型已在 MAI Playground 上线，并可通过 Vercel 与 Azure Voice Live 使用，LiveKit 支持标注为“即将推出”。

微软还建议将其与 MAI-Voice-2.1-Flash 配对，构成完整的语音交互闭环：Flash 版可生成最长45秒的音频，端到端延迟仅150毫秒，价格为每百万字符15美元；标准版 MAI-Voice-2.1 覆盖23种语言与26个地区，价格为每百万字符22美元。

行业影响：实时语音进入“毫秒级”竞争

从8月底到10月初，Google、Meta、xAI 与微软接连推出或升级流式转写模型，头部厂商之间的差距已缩小到零点几个百分点、零点几秒钟。微软此次同时拿下准确率与延迟双第一，且“首稿即终稿”的稳定性对智能体场景尤具价值——当语音智能体需要在用户话音未落时就执行指令时，部分转写的可靠程度直接决定产品体验。

不过需要留意，该模型目前处于公开预览阶段，没有服务水平协议（SLA）保障，也未开放权重；0.54美元的介绍价在2026年底之后如何调整，同样值得关注。对追求极致准确率与低延迟的开发者，微软方案是当前榜单上最稳妥的选择；对成本敏感的团队，xAI 与 Meta 的方案仍有明显价格优势。

展望后续，实时语音正从“转写工具”演变为智能体交互的核心入口。若微软能在正式商用时补齐说话人分离等能力并稳定定价，MAI-Transcribe-2-Streaming 有望成为语音智能体技术栈的默认组件；而随着 Cartesia 等主打超低延迟的厂商持续施压，围绕“准确率、延迟、成本”三角的竞争还远未到终局。