微软发布MAI-Transcribe-2-Streaming流式转写模型
Story tracking
事件追踪
2026年10月2日，Microsoft AI 发布流式语音转写模型 MAI-Transcribe-2-Streaming，同时宣布 MAI-Voice-2.1 与 MAI-Voice-2.1-Flash 两款语音模型。据 X 账号 Artificial Analysis（@ArtificialAnlys）同日报道，该模型在 AA-WER Streaming 评测的 38 个模型中，以 2.5% 词错误率（WER）、语音结束后 0.13 秒返回最终转写，登顶 Final Transcript 与 First Partial Transcript 两项准确率排名。同日，Microsoft AI CEO Mustafa Suleyman（@mustafasuleyman）称其为全球最准确的实时转写模型，比 ElevenLabs 快 55%、便宜 60%，并称其超过此前第一的 Grok Voice Transcribe 2.0（2.7%、0.49 秒）；他给出的定价为流式转写每小时音频 0.54 美元，非流式每小时 0.10 美元（每 1,000 分钟 1.67 美元）。Microsoft AI 官方博客同日称该模型支持 60 种语言实时转录，收到音频约 100ms 即产出初步结果，内部评测显示字幕出现速度比最接近的竞品快 2 倍；官方给出的介绍价为每小时音频 0.54 美元，有效期至年底，并称其推理快 55%、比同类模型便宜约 60%。官方博客另列出每 100 万字符 22 美元、以及每 100 万字符 15 美元等定价，但未明确这些价格对应的具体模型。X 账号 Testing Catalog（@testingcatalog）同日称三款模型即将登陆 MAI Playground 和 API，MAI Playground 新增“Chatter”演示语音体验。IT之家同日（10 月 2 日）称微软于 10 月 1 日发布该模型，支持 60 种语言和自动语言检测，优惠价每小时 0.54 美元、约合每 1,000 分钟 9 美元，开发者可通过 Microsoft Foundry、MAI Playground、OpenRouter 等渠道体验或接入。The Decoder 同日报道称，该模型支持 60 种语言，首段结果仅约 100 毫秒，微软称其在 Artificial Analysis 准确率排名第一，限期内每小时音频 0.54 美元，并称定价为每 100 万字符 15 美元而非 22 美元。 后续进展：Mustafa Suleyman 于 10 月 2 日表示，所有模型当天已在 Microsoft Foundry 上线，并接入 Vercel 和 OpenRouter；当晚他再次发帖称该语音与流式转录模型现可在 Vercel 上使用，并称其质量与速度均排名第一、比任何其他超大规模云厂商便宜、比 Eleven Labs 便宜高达 60%。各报道在 2.5% WER、0.13 秒、38 个模型中第一等数据上一致；模型的开放范围、地域限制等仍未披露。
最新进展：微软AI语音模型登陆Vercel
事件时间线
X：Mustafa Suleyman（Microsoft AI CEO） (@mustafasuleyman)
微软AI语音模型登陆Vercel
用全球最好的语音和流式转录模型构建你的智能体……现在可以在 @vercel 上轻松使用了 质量和速度均排名第一……比任何其他超大规模云厂商都便宜……比 Eleven Labs 便宜高达 60%
阅读原始报道 ↗The Decoder：AI News（RSS）
Microsoft AI 发布 MAI-Transcribe-2-Streaming 实时转写模型与 MAI-Voice-2.1 语音模型
Microsoft AI 发布实时转写模型 MAI-Transcribe-2-Streaming，支持 60 种语言，首段结果仅约 100 毫秒，微软称其在 Artificial Analysis 准确率排名第一，限期内每小时音频 0.54 美元。
阅读原始报道 ↗X：Testing Catalog (@testingcatalog)
每日AI简报：Grok 4.7、Claude Code Mods 与微软 MAI 音频模型
Grok 4.7 已在 Grok 网页和移动端全量铺开，成为 Fast、Expert、Build、Heavy 所有模式的基座模型，并上线 Google Gemini Enterprise Agent Platform。
阅读原始报道 ↗IT之家（RSS）
微软发布首个实时流式语音转写模型 MAI-Transcribe-2-Streaming，词错误率 2.50%、延迟 0.13 秒居 Artificial Analysis 榜首
微软于 10 月 1 日发布首个实时流式语音转写模型 MAI-Transcribe-2-Streaming，支持 60 种语言和自动语言检测，可在讲话进行时持续输出文字。
阅读原始报道 ↗X：Testing Catalog (@testingcatalog)
微软MAI语音转录与语音模型上新
MICROSOFT 🔥：MAI-Transcribe-2-Streaming、MAI-Voice-2.1 和 MAI-Voice-2.1-Flash 模型即将登陆 MAI Playground 和 API！ > "MAI-Transcribe 和 MAI-Voice 模型：准确、快速、低成本，在音频理解与生成方面名列前茅，助你构建最佳的对话式语音智能体。" MAI Playground 还新增了 "Chatter" 演示语音体验。 测试时间 👀
阅读原始报道 ↗X：Mustafa Suleyman（Microsoft AI CEO） (@mustafasuleyman)
微软 Foundry 上线新模型并接入 Vercel
所有模型今天已在 Microsoft Foundry 上线。 我们也很高兴将这些模型带入你日常使用的工具，比如 Vercel 和 OpenRouter。 https://ai.azure.com/catalog/models?source=microsoft
阅读原始报道 ↗X：Mustafa Suleyman（Microsoft AI CEO） (@mustafasuleyman)
Microsoft AI 发布流式语音转写模型 MAI-Transcribe-2-Streaming
Microsoft AI 发布流式语音转写模型 MAI-Transcribe-2-Streaming，Mustafa Suleyman 称其为全球最准确的实时转写模型，比 ElevenLabs 快 55%、便宜 60%。引用的 Artificial Analysis 数据显示，该模型以 2.5% WER、语音结束后 0.13 秒出稿在 AA-WER Streaming 38 个模型中排名第一，超过此前第一的 Grok Voice Transcribe 2.0（2.7%、0.49s），流式定价为每小时音频 $0.54，非流式为 $0.10 每小时。
阅读原始报道 ↗X：Artificial Analysis (@ArtificialAnlys)
Microsoft AI 发布流式语音转写模型 MAI-Transcribe-2-Streaming，登顶 AA-WER Streaming 准确率
Microsoft AI 发布流式语音转写模型 MAI-Transcribe-2-Streaming，在 AA-WER Streaming 评测的 38 个模型中以 2.5% WER、语音结束后 0.13 秒返回最终转写，登顶 Final Transcript 和 First Partial Transcript 准确率。
阅读原始报道 ↗Microsoft AI：官方博客（网页） 一手信源
Microsoft AI 发布 MAI-Transcribe-2-Streaming 及 MAI-Voice-2.1 系列语音模型
Microsoft AI 发布流式转录模型 MAI-Transcribe-2-Streaming，在 Artificial Analysis 准确率榜排名第一，支持 60 种语言实时转录，收到音频约 100ms 即产出初步结果，内部评测显示字幕出现速度比最接近的竞品快 2 倍，介绍价 $0.54 每小时音频。
阅读原始报道 ↗