报价宝 › 人工智能 ›

微软发布三款语音AI模型实时转写登顶测评榜

报价宝来源：baojiabao.com 发布时间：2026-10-02 08:45:00 10月02日更新

报价宝综合消息微软发布三款语音AI模型实时转写登顶测评榜

微软发布三款语音AI模型

当地时间10月1日，微软一口气发布三款自研语音AI模型：实时流式语音转写模型MAI-Transcribe-2-Streaming，以及两款文本转语音模型MAI-Voice-2.1和MAI-Voice-2.1-Flash。这是微软MAI自研模型家族在语音方向的又一次集中扩张。

核心是MAI-Transcribe-2-Streaming。与"听完再转"的传统模式不同，它能在接收音频后约100毫秒内输出首批"部分文本"，并随说话过程持续修正，语句结束后快速提交稳定结果。微软称，实时场景下文字最快可在语音出现后约320毫秒上屏，无需等一句话说完。

跑分方面，在第三方评测平台Artificial Analysis的流式语音转写榜单上，该模型以2.5%的最终词错误率、0.13秒的最终延迟排名第一，优于此前领先的Grok Voice Transcribe 2.0（约2.7%、0.49秒），在最终转录和首次部分转录两项指标上均居首位。

价格方面，MAI-Transcribe-2-Streaming目前执行每小时0.54美元的首发优惠价（至2026年底）；MAI-Voice-2.1定价为每百万字符22美元，覆盖23种语言、26个地区，同一音色可跨语言切换；Flash版本定价15美元每百万字符，生成45秒音频端到端延迟约150毫秒，推理速度比标准版快55%。

实际意义上，语音智能体从此可以"边听边行动"：客服智能体可以在来电者尚未说完时就开始识别诉求、拉取数据、准备回复；实时字幕也能更接近"所说即所见"。两款语音模型均支持从几秒参考音频克隆音色，并带有防未经授权克隆的同意控制机制。

开发者可通过Microsoft Foundry、MAI Playground、OpenRouter、Vercel及Azure Voice Live等渠道接入这三款模型。此前微软的MAI语音模型已集成进Copilot和Teams，此番开放API定价，被外界解读为向ElevenLabs等语音API厂商直接施压。

编译自 Microsoft官方公告及公开报道，原标题："Microsoft introduces MAI-Transcribe-2-Streaming and new voice models"