微软推出首款实时语音转写模型 MAI-Transcribe-2-Streaming

Microsoft AI 于 2026 年 10 月 1 日发布了其首款流式（streaming）语音识别模型 MAI-Transcribe-2-Streaming。该模型能在说话人尚未讲完时，就把语音逐段转写为文字。同一天，该公司还推出了两款新的文本转语音模型 MAI-Voice-2.1 和 MAI-Voice-2.1-Flash。这三款模型面向希望构建能与人语音对话的 AI 智能体的开发者。MAI-Transcribe-2-Streaming 目前已在 Microsoft Foundry 和 Azure Speech 上开放公开预览。

边说边转写的模型

据 Microsoft Learn 文档页面介绍，MAI-Transcribe-2-Streaming 是一款低延迟的语音转文字模型，以连续音频流作为输入，并在说话过程中逐步返回转写结果。中间结果会不断更新当前的识别内容，最终结果则确认每一段文字。微软列出的用途包括呼叫中心、语音助手、会议与课堂字幕、语音交互界面以及实时笔记。该公司此前已推出面向录音文件的 MAI-Transcribe-2，新模型是该系列中首款处理实时音频的模型。

据微软的公告，该模型支持 60 种语言，并能自动、持续地识别所说的语言。文档中的语言列表包括土耳其语，阿拉伯语和中文也在其中。如果不指定语言，模型会以多语言模式运行。该公司表示，模型在开始接收音频后略多于 100 毫秒即可给出首批中间结果；在发布时，它在独立评测网站 Artificial Analysis 上的中间结果和最终结果准确率均排名第一。

面向语音智能体的三款模型

MAI-Voice-2.1 和 MAI-Voice-2.1-Flash 用于把文字转换为语音。据模型页面介绍，MAI-Voice-2.1 适合音质比速度更重要的场景，例如有声书和配音；Flash 版本则面向呼叫中心智能体、语音助手等对延迟敏感的场景。两款模型都支持情感控制，并可根据一小段参考录音克隆声音；微软表示其内置了防止滥用的同意保护机制。页面上的语言列表中也包括土耳其语。

据微软介绍，把 MAI-Transcribe-2-Streaming 与 MAI-Voice-2.1-Flash 搭配使用，可在对话两端都节省时间，让智能体有更多余地进行推理、调用工具并检查答案。该公司还在 MAI Playground 中加入了名为 Chatter 的演示，展示这些模型协同工作。

使用方式与上线渠道

开发者需在 Microsoft Foundry 中把模型部署到自己的资源上，并可通过两种方式接入：与 OpenAI Realtime API 兼容的 WebSocket 连接，或负责管理连接的 Azure Speech SDK。据文档介绍，该模型目前由瑞典中部、美国中部和印度南部区域提供服务，美国东部 2 区域即将上线。微软表示，这些模型也可通过 MAI Playground、Vercel 和 Azure Voice Live 使用，LiveKit 支持即将推出。最新价格请见微软官网。

该模型目前处于公开预览阶段。据微软文档，预览版不提供服务级别协议（SLA），不建议用于生产环境，部分功能可能受限。服务器端目前也没有检测说话结束的功能，需要由应用自行识别停顿并请求最终结果。最好用自己的语言和录音进行测试；想更全面地了解其表现，也值得关注独立研究人员的评估。

来源：Microsoft AI：首款流式转写模型、Microsoft Learn：MAI-Transcribe-2-Streaming、Microsoft Learn：通过 Realtime API 使用、Microsoft AI：MAI-Voice-2.1。