微软AI发布了MAI-Transcribe-2-Streaming，这是其首个流式语音转文本模型，在Artificial Analysis AA-WER Streaming指数中的38个模型中排名第一。该模型于2026年10月1日推出，支持60种语言的转录，具备连续自动语言检测功能，面向语音代理和实时字幕场景。

  • 最终转录（延迟0.13秒）和首个部分转录（延迟0.12秒）的词错误率（WER）均达到2.5%。
  • 在接收音频后仅100多毫秒即输出初始假设，使代理能够在句子中间进行推理。
  • 在截至2026年底的推广期内，每小时费用为0.54美元。
  • 可通过Realtime API（WebSocket）和Azure Speech SDK获取，并集成于MAI Playground和Vercel。

该模型能够提供与最终转录同样准确的部分转录结果，使得对延迟敏感的应用能够实现实时交互。