Microsoft 推出 MAI‑Transcribe‑2‑Streaming 实时语音服务，支持 60 种语言，费用为每小时 0.54 美元

2026 年 10 月 1 日，Microsoft AI 宣布其 MAI‑Transcribe‑2‑Streaming 服务进入公开预览阶段。该服务定位为基于云的实时语音转文本引擎，能够处理六十种语言的音频流，并在音频进行时提供部分转录和最终转录。Microsoft 将此服务宣传为面向需要即时字幕、实时翻译流水线或语音驱动分析的开发者的低成本选项。简而言之，这是一种几乎即时将语音转换为文本的解决方案，降低了批处理的需求，并便于在需要实时响应的应用中集成。

实时转录功能

流式转录不同于批处理，因为模型在说话者仍在讲话时就会输出假设。MAI‑Transcribe‑2‑Streaming 声称在音频样本到达后约一百毫秒生成初始假设，随后提供更精细的部分结果，最终交付带有标点的完整转录。系统还具备持续语言检测功能，能够在检测到支持的六十种语言之间切换声学模型和语言模型，从而无需单独的语言选择步骤。此实时语言切换能力使多语言应用能够无缝运行，保持用户体验的流畅性。

开发者可以通过 Microsoft Foundry 访问该服务，Foundry 提供的 Realtime API 采用与 OpenAI 流式端点相同的 WebSocket 模式。相同的功能也可通过 Azure Speech SDK 使用，使其能够在 Windows、Linux、移动端和 Web 应用中以最少的代码改动进行集成。Microsoft 文档强调，API 接收原始音频帧并返回 JSON 编码的转录片段，兼容现有的实时流水线。总之，该 API 旨在简化集成过程，降低开发者在其解决方案中加入实时转录功能的工作量。

基准性能与准确率

独立基准平台 Artificial Analysis 将 MAI‑Transcribe‑2‑Streaming 排在其流式词错误率（WER）排行榜的首位，该排行榜比较了三十八个模型在共八小时的测试混音上的表现。根据该基准，模型在最终转录上实现了 2.5% 的 WER，平均延迟为 0.13 秒；在首次部分结果上同样实现了 2.5% 的 WER，交付时间为 0.12 秒。MarkTechPost 报道了这些数据，并指出测试混音包含了多种说话者、口音和背景噪音，展示了模型在真实使用环境中的鲁棒性。

Microsoft 自己的测量数据支撑了基准中的数字，公司提醒，Artificial Analysis 测试之外的速度声明应视为内部估计。公开预览不包含生产级别的服务等级协议（SLA），这意味着计划关键任务部署的企业需要在自己的工作负载下评估可靠性和延迟后再决定是否付费使用。换言之，尽管基准结果令人印象深刻，Microsoft 建议企业用户自行进行测试，以验证在其特定条件下的性能。

定价、相关模型与预览限制

在预览期间，Microsoft 将每处理一小时音频的入门价设为 0.54 美元，该价格将持续至 2026 年底。预览不提供正式的 SLA，且超出基准报告的使用量不作保证。除了转录服务，Microsoft 还发布了 MAI‑Voice‑2.1 和 Voice‑2.1‑Flash，后者宣传能够在约 150 毫秒的端到端延迟下生成 45 秒的合成语音，费用为每百万字符 15 美元。

Flash 模型面向低延迟语音生成场景，如交互式助理或实时配音，补充流式转录引擎，提供快速且高质量的语音输出路径。两个模型均通过 Microsoft Foundry 的相同集成接口提供，开发者可以在同一 WebSocket 会话中串联转录和合成，若有此需求。此紧密集成简化了从音频捕获到文本生成，再到实时语音合成的完整工作流构建。

• 支持 60 种语言并自动检测
• 音频接收后约 100 ms 生成初始假设
• 基准报告的最终转录 WER 为 2.5%，延迟 0.13 s
• 预览期间每小时音频 0.54 美元的入门价
• 通过 Microsoft Foundry Realtime API 与 Azure Speech SDK 访问

低延迟、多语言覆盖以及透明的定价模式的组合，为开发实时字幕、多语言呼叫中心分析或实时翻译服务的开发者打开了新可能性。由于服务会流式输出部分结果，应用可以在说话者结束前开始处理文本，从而缩短下游 AI 组件（如情感分析或意图检测）的端到端响应时间。适中的费用结构也降低了初创公司和研究团队的进入门槛，这些团队过去因每分钟高额费用而回避使用云转录服务。

对于在英语市场运营的组织而言，此次预览意味着实时语音界面现在可以以往 Azure Speech 早期产品成本的一小部分部署，同时仍覆盖广泛的语言集合，满足全球团队的需求。企业可以尝试为网络研讨会提供实时字幕，将即时字幕集成到视频平台，或在语音驱动的客户支持中加入实时转录，而无需在服务正式推出前签署生产级 SLA。