先了解这件事
2026年10月1日,微软AI发布首款流式语音转写模型MAI-Transcribe-2-Streaming,支持60种语言和自动连续语言检测,收到音频后100毫秒出头即可给出首个部分结果。据微软AI Blog,该模型在Artificial Analysis的最终与部分转写准确率上均排名第一,年内按每小时音频0.54美元计价。同期还发布多语言文本转语音模型MAI-Voice-2.1及面向高并发低延迟场景的MAI-Voice-2.1-Flash,三款模型可通过Microsoft Foundry等渠道使用。后续MarkTechPost报道称,AA-WER Streaming测试显示其最终转写与首个部分转写均为2.5% WER,在38个模型中均排第一,最终结果延迟0.13秒,目前为公开预览,无SLA且未开放权重。
AI 根据公开报道生成
事件进展
1 个已确认进展
- 来源：Microsoft AI Blog
报道与讨论时间线
按时间查看正式报道与传播讨论；两类内容的证据等级保持独立。
10月3日
MarkTechPost
微软发布 MAI-Transcribe-2-Streaming 流式语音转文字模型，登顶 Artificial Analysis 榜单
微软 AI 发布首款流式语音转文字模型 MAI-Transcribe-2-Streaming，支持 60 种语言并自动连续检测语种，在收到音频后 100 毫秒出头即输出首个部分转写结果。Artificial Analysis 的 AA-WER Streaming 测试显示，其最终转写与首个部分转写均为 2.5% WER，在 38 个模型中均排第一，最终结果延迟 0.13 秒。该模型定价为每小时音频 0.54 美元（2026 年底前的尝鲜价），可通过 Realtime API 或 Azure Speech SDK 接入，目前为公开预览，无 SLA 且未开放权重。
10月2日
Microsoft AI Blog一手精选
微软发布 MAI-Transcribe-2-Streaming 流式转写模型及两款语音模型
微软发布首款流式转写模型 MAI-Transcribe-2-Streaming，支持 60 种语言和自动连续语言检测，在 Artificial Analysis 的最终与部分转写准确率上均排名第一，收到音频后 100ms 出头即可给出首个部分结果，年内按每小时音频 0.54 美元计价。同时发布多语言文本转语音模型 MAI-Voice-2.1，支持 23 种语言和 26 个地区，单一音色可用各语言的原生口音，定价每 100 万字符 22 美元；以及面向高并发低延迟场景的 MAI-Voice-2.1-Flash，端到端延迟 150ms、可生成 45 秒音频，推理速度提升 55%，定价每 100 万字符 15 美元。三款模型可通过 Microsoft Foundry 等渠道使用，MAI-Voice-2.1 系列已上线 OpenRouter。