微软10月1日发布公告，推出其首个实时流式语音转写模型MAI-Transcribe-2-Streaming，可在讲话进行时持续输出文字，覆盖60种语言，并支持自动语言检测。
该模型会在接收到音频后约100多毫秒内生成首批“部分文本”，随后根据更多上下文持续修正。微软称在其实时评估中，文字最快可在语音出现后约320毫秒显示；在Artificial Analysis的测试中，模型最终转录延迟为0.13秒，最终词错误率为2.50%，位列28个流式语音转文字模型之首。
价格方面，MAI-Transcribe-2-Streaming目前处于优惠阶段，每小时0.54美元，约合每1000分钟9美元，开发者可通过Microsoft Foundry、MAI Playground、OpenRouter等渠道体验或接入。微软此前推出的非流式MAI-Transcribe-2，在Azure Speech公共预览阶段的价格为每小时0.10美元。