微软发布MAI-Transcribe-2-Streaming语音模型
先了解这件事
2026年10月2日，Artificial Analysis 发布 AA-WER Streaming 语音评测结果，微软 AI 的 MAI-Transcribe-2-Streaming 在话语结束后 0.13 秒取得 2.5% WER，在 38 个模型中排名第一。同日 Artificial Analysis 公布定价：该模型流式转写每小时 0.54 美元（每 1,000 分钟 9.00 美元），与 Gemini 3.5 Transcribe Live 持平，高于 ElevenLabs Scribe v2 Realtime 和 Deepgram Flux 的 6.50 美元、Cartesia Ink-2 的 4 美元及 Muse Voice Transcribe 的 3 美元。当日 17:20，The Decoder 报道微软 AI 正式发布该实时转录模型，支持 60 种语言，首个部分结果延迟约 100 毫秒，微软称其在 Artificial Analysis 准确率排名第一，年底前音频价格为每小时 0.54 美元。
事件进展
报道时间线
- 微软 AI 发布面向语音智能体的转录与语音合成模型
微软 AI 发布实时转录模型 MAI-Transcribe-2-Streaming，支持 60 种语言，首个部分结果延迟约 100 毫秒，微软称其在 Artificial Analysis 准确率排名第一，年底前音频价格为每小时 0.54 美元。
- Artificial Analysis 发布语音模型评测结果
完整结果： artificialanalysis.ai/speech… artificialanalysis.ai/speech… 方法论： artificialanalysis.ai/speech…
- MAI-Transcribe-2-Streaming 流式转写定价每小时 $0.54
MAI-Transcribe-2-Streaming 流式转写定价为每小时 $0.54，相当于每 1,000 分钟音频 $9.00，与 Gemini 3.5 Transcribe Live 的 $9 持平，高于 ElevenLabs Scribe v2 Realtime 和 Deepgram Flux 的 $6.50，超过 Cartesia Ink-2 的 $4 两倍多，是 Muse Voice Transcribe 的 $3 的三倍。非流式转写为每小时 $0.10，即每 1,000 分钟 $1.67。
- AA-WER Streaming 基准：MAI-Transcribe-2-Streaming 以 2.5% WER 排名 38 个模型第一
Artificial Analysis 发布 AA-WER Streaming 评测结果，MAI-Transcribe-2-Streaming 在话语结束后 0.13 秒取得 2.5% WER，在 38 个模型中排名第一。