微軟推串流語音轉文字模型 MAI-Transcribe-2 支援60種語言即時修正

微軟於 10 月 1 日推出首款即時串流語音轉文字模型「MAI-Transcribe-2-Streaming」，主打在使用者說話當下即時輸出文字，無須等待整句結束，並支援 60 種語言且能在會話中自動連續偵測語言。微軟同日也發表 MAI-Voice-2.1 以及反應速度較快的 MAI-Voice-2.1-Flash 兩款語音合成模型。不過微軟在技術文件中註明，該串流模型目前處於公開預覽階段，尚未提供服務等級協定（SLA），不建議直接用於正式營運環境。

該串流模型為微軟 9 月推出的批次處理版 MAI-Transcribe-2 之即時版本。批次版適用於整段錄音完成後的會議紀錄轉寫，串流版則採邊收邊發布機制，會先提供不穩定的部分草稿，再依後續語音即時修正並於句尾提交定稿。科技媒體 MarkTechPost 整理 Artificial Analysis 評測數據顯示，MAI-Transcribe-2-Streaming 的最終詞錯誤率（WER）為 2.50%、定稿延遲為 0.13 秒，在語音結束後 0.12 秒便輸出第一份部分稿，詞錯誤率同為 2.50%。在競品對比方面，Grok Voice Transcribe 2.0 詞錯誤率為 2.7%、延遲 0.49 秒；Muse Voice Transcribe 詞錯誤率 3.1%、延遲 0.16 秒；Cartesia Ink-2 定稿延遲雖僅 0.07 秒，詞錯誤率則達 4.0%。由於部分稿與定稿誤差極小，微軟主打這項特性適用於語音代理在使用者未說完話前預先判斷是否呼叫外部工具。

微軟宣稱，系統在接收音訊約 100 多毫秒即可產生第一批假設文字，內部評估在聽寫與字幕場景下的文字出現速度約為最接近競品的兩倍，並主張在 Artificial Analysis 串流排行榜上的最終稿與部分稿準確率皆名列第一。計費與串接管道方面，串流模型年底前導入價格為每小時音訊 0.54 美元（約每 1,000 分鐘 9 美元），高於批次版在 Azure Speech 預覽期的每小時 0.10 美元。模型目前已在 Microsoft Foundry 接入，支援 Azure Speech SDK 及與 OpenAI Realtime 相容的 WebSocket 通訊協定，微軟並表示與 LiveKit 的整合即將推出；開發者可透過 MAI Playground、Vercel 及 Azure Voice Live 試用，兩款 MAI-Voice 語音合成模型則可透過 OpenRouter 取用。

Microsoft AI 官方公告
https://microsoft.ai/news/our-first-streaming-transcription-model/

Microsoft Learn
https://learn.microsoft.com/en-us/azure/ai-services/speech-service/mai-transcribe-2-streaming