微软MAI-Transcribe-2-Streaming流式转录夺双榜第一

2026 年 10 月 1 日，微软 AI 部门一次性推出三款面向实时语音交互的自研模型：MAI-Transcribe-2-Streaming（流式 STT）、MAI-Voice-2.1 与 MAI-Voice-2.1-Flash（文本转语音），通过 Microsoft Foundry、MAI Playground、Vercel AI Gateway、Azure Voice Live 全球同步上线。 ## 核心产品 MAI-Transcribe-2-Streaming MAI-Transcribe-2-Streaming 是微软首个流式（streaming）语音转文字模型，支持 60 种语言并具备连续自动语言检测能力。它在说话者尚未讲完时就开始输出阶段性文本，随着更多上下文到来持续修订，最终提交稳定结果。 关键性能指标： - 首批识别假设在收到音频后约 100 毫秒出现（Artificial Analysis 实测），微软官方口径为 320 毫秒 - 检测到说话结束后 0.13 秒给出最终文本 - Artificial Analysis 流式转录基准（38 款模型对比）中，最终文本与部分文本准确率双双排名第一 - 最终词错误率 2.5%、首次部分转录错误率 2.8% - 内部测试显示实时字幕生成速度约为最接近竞品的两倍 定价方面，MAI-Transcribe-2-Streaming 当前促销价为每小时音频 0.54 美元，优惠持续至 2026 年底。作为对比，非流式的 MAI-Transcribe-2（批处理版）价格为 0.10 美元/小时，但后者必须等说话者讲完才能开始处理。 ## 同期两款语音合成模型 MAI-Voice-2.1 是微软的旗舰多语言文本转语音引擎，支持 23 种语言和 26 个地区口音。它的核心亮点是跨语言身份保留：同一个合成声音可以在不同语言间无缝切换，并保留说话者身份与本地口音。定价 22 美元/100 万字符。 MAI-Voice-2.1-Flash 面向低延迟、高并发场景，可在端到端延迟 150 毫秒的情况下生成 45 秒音频。微软表示该模型推理速度比可比模型快 55%、便宜 60%，直接对标 ElevenLabs。定价 15 美元/100 万字符。 ## 战略背景：减少对 OpenAI、Anthropic 的依赖 微软 AI CEO 穆斯塔法·苏莱曼此前接受 Bloomberg 采访时透露，微软每年向 Anthropic 支付"巨额费用"，目标是将这一开销"逐步减少并最终消除"。今年 7 月有报道指出他对外部前沿模型的高成本表达过担忧，已指示研究团队加倍投入 MAI 自研家族，最终目标是把模型落到 Copilot 在 Excel、Outlook 等 Agent 的实际部署中。 本次三款模型同时落地，构成了"听（Transcribe）+ 想（MAI-Thinking）+ 说（Voice）"完整语音 Agent 闭环。加上此前发布的 MAI-Image-1（图像）和 MAI-Thinking-1（推理），MAI 家族已覆盖企业 Agent 所需的全部核心模态。 ## 行业影响 1. **企业语音 Agent 成本下降**：MAI-Transcribe-2-Streaming + MAI-Voice-2.1-Flash 组合比 ElevenLabs 同类方案快 55%、便宜 60%，迫使 STT/TTS 行业价格继续下探。 2. **流式转录首次出现"双榜第一"**：在 38 款模型中，最终与部分文本准确率均为第一，超越 xAI Grok Voice Transcribe 2.0（9 月 18 日登榜仅一个月）、Deepgram Nova-3、Whisper Large v3、Gemini 3.5 Transcribe 等对手。 3. **微软自研矩阵成型**：MAI 家族已涵盖语音、图像、推理等领域，是 OpenAI/Anthropic 之外首个具备完整 Agent 工具栈的非创业公司。 4. **下游 Copilot Agent 升级**：实时字幕、客服、Outlook 语音指令、Excel 自然语言填表等场景将首先受益。 ## 总结 微软 MAI-Transcribe-2-Streaming 以"60 语种 + 100 毫秒首响应 + 双榜第一 + 0.54 美元/小时"的组合拳，把流式语音转文字拉到 2026 年 Q4 的新基准线；同期两款 MAI-Voice TTS 一并亮相，意味着微软"自研替代 Anthropic/OpenAI"的战略已经从口号落地到基础设施层面，企业语音 Agent 赛道的价格战与技术竞赛将进入新阶段。 ## 参考来源 1. CNBeta（详细技术参数）：https://www.cnbeta.com.tw/articles/tech/1580428.htm 2. 环球网科技综合报道：https://3w.huanqiu.com/a/c36dc8/4TRcz6NRsnX 3. Times of India 科技：https://timesofindia.indiatimes.com/technology/tech-news/microsoft-ai-launches-mai-transcribe-2-streaming-alongside-multilingual-mai-voice-2-1-models/articleshow/134639014.cms 4. Geo News（微软 AI 发布详解）：https://news.geobrowser.io/story/b2618399fce84272a299cca68f592111 5. Pivot News（五模型 + 战略动机）：https://pivotnews.ai/five/microsoft-adds-streaming-transcription-and-two-speech 6. Korshunov.ai（独立评测）：https://korshunov.ai/en/article/30868-microsoft-ai-releases-mai-transcribe-2-streaming-ranking-1-on-artificial 7. Augmenter.dev：https://augmenter.dev/articles/microsoft-launches-mai-transcribe-2-streaming-voice-models 8. Microsoft AI 官方新闻：https://microsoft.ai/news/our-first-streaming-transcription-model/ 9. Microsoft Foundry 模型目录：https://ai.azure.com/ 10. 太平洋科技（via 腾讯新闻）：https://news.qq.com/rain/a/20261002A05ZOU00