微软于10月1日发布公告，正式推出其首个实时流式语音转写模型MAI-Transcribe-2-Streaming。该模型能够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，标志着微软在流式语音转写领域迈出重要一步。

在性能方面，MAI-Transcribe-2-Streaming实现了2.5%的词错误率和0.13秒的延迟。模型在接收到音频后约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，并在语句结束后快速提交稳定结果。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。

费用方面，该模型目前处于优惠阶段，价格为每小时0.54美元（约合3.6元人民币），约合每1000分钟9美元（约合60.5元人民币）。开发者可以通过Microsoft Foundry、MAI Playground、OpenRouter等渠道体验或接入。相比之下，微软此前推出的非流式模型MAI-Transcribe-2在Azure Speech公共预览阶段的价格为每小时0.10美元（约合0.67元人民币）。

流式与非流式模型在应用场景上存在差异：流式适合实时对话和字幕，而非流式则适用于录音文件、会议记录和临床文书等完整转写任务。此次发布的流式模型进一步丰富了微软的语音转写产品线，为开发者提供了更多选择。