MAI-Transcribe-2-Streaming 是什么：微软首个流式转写模型

它是什么

MAI-Transcribe-2-Streaming 是 Microsoft AI 在 2026 年 10 月 1 日推出的实时流式语音转写模型，也是微软第一个流式转写模型。普通的转写是等一段录音结束后再整体识别；流式转写则是边听边转：持续接收音频，在说话过程中不断返回增量文本，最后再给出定稿的转写结果。这让 MAI 的语音识别从“录完再转”扩展到了实时场景。

能力和速度

它支持 60 种语言，能自动、持续地识别当前说的是哪种语言，适合多语种混说的会议和通话。速度方面，官方说收到音频后只需要 100 毫秒多一点，就能给出第一批临时识别结果；按微软内部评测，文字出现在转写稿里的速度比最接近的竞品快一倍。准确率方面，官方称它在 Artificial Analysis 的评测中，最终转写和临时转写的准确率都排第一，但没有公布具体的词错率数字。

价格和渠道

它在微软 Foundry 上提供，文档放在 Azure AI Speech 下，还可以在 MAI Playground、Vercel、Azure Voice Live 上使用，LiveKit 的接入即将上线。价格是每小时音频 0.54 美元，这是年底前的优惠价。

同时发布的语音合成模型

同一天，微软还发布了两个语音生成模型。MAI-Voice-2.1 支持 23 种语言、26 个地区口音，同一个声音可以用各种语言说话且口音地道，只需几秒参考音频就能克隆声音，并内置了授权确认机制，价格每百万字符 22 美元。MAI-Voice-2.1-Flash 面向大批量、对延迟敏感的场景，生成 45 秒音频的端到端延迟 150 毫秒，官方称推理快 55%、比同类模型便宜约 60%，价格每百万字符 15 美元。转写加合成，凑齐了做实时语音智能体的两端。

适合谁

做实时字幕、会议纪要、语音客服、语音智能体的开发者，是它最直接的用户；多语种和自动语种识别对跨国会议和出海客服很实用。已经在 Azure 生态里的企业接入成本最低。AI 主线的看法是：实时语音智能体的体验，很大程度上取决于“听”有多快，微软这次把流式转写和低延迟合成一起推出，目标很明确：抢实时语音应用的底层市场。