AREX Feed Article
微软 AI 发布三款新模型，流式转录模型 MAI-Transcribe-2-Streaming 在独立评测中排名第一
北京时间 10 月 2 日凌晨 0 点 15 分（UTC 10 月 1 日 16:15），Microsoft AI（微软 AI）在 X 上发布三款新模型：流式转录模型 MAI-Transcribe-2-Streaming，以及语音模型 MAI-Voice-2.1 和 MAI-Voice-2.1-Flash（）。同日发布的称，这是微软首款流式转录模型，三款模型合在一起是面向语音 agent（智能体）的构建模块。
发布帖发出四分钟后，独立 AI 评测机构 Artificial Analysis（AA）的帖文公布了测量结果：MAI-Transcribe-2-Streaming 在 AA-WER Streaming 指数的最终转写（Final Transcript）与首个部分转写（First Partial Transcript）两项准确率上均列第一。其中最终转写为 2.5% 的词错误率（WER）、语音结束后 0.13 秒返回文本，在 38 个受评模型中居首；此前排名第一的 Grok Voice Transcribe 2.0（SpaceXAI）为 2.7%、0.49 秒（）。
三款模型：转录走流式，语音分两档
发布帖给出的三个卖点是准确的流式转录、自然的语音、更短的轮次等待。三款模型里，MAI-Transcribe-2-Streaming 负责转录，MAI-Voice-2.1 与 MAI-Voice-2.1-Flash 是文本转语音（TTS）模型。AA 帖文提到，微软还有一款非流式转录模型 MAI-Transcribe-2。
MAI-Transcribe-2-Streaming 支持 60 种语言和持续的语种自动检测（微软数据）。它不必等整段音频结束才出结果：在收到音频 100 毫秒出头时，先给出第一批「partial」（部分转写假设，内容会随上下文修正），随后尽快提交稳定文本。微软举的场景是，语音 agent 可以在说话人还没说完时就开始推理或调用工具，实时听写和字幕则能让文字跟着人说话出现。微软还称，其内部评测显示，实时听写与字幕场景中文字出现的速度比最接近的竞品快 2 倍；在准确率与延迟的权衡上，该模型位于「帕累托前沿」。这两条都是公司自述。
两款语音模型负责发声：MAI-Voice-2.1 是标准款，Flash 面向高吞吐量与低延迟的场景。微软把语音 agent 描述成一个「听、理解、决定、说」的循环：每个环节要么为对话窗口省下时间，要么花掉时间。按它的说法，转录模型与 Flash 分别从两端省时间。
其余对照与测量口径
除了 Grok Voice Transcribe 2.0，AA 还列出了这几组对照。在最终转写一项中，Muse Voice Transcribe 为 3.1%、0.16 秒，ElevenLabs Scribe v2 Realtime 为 3.6%、0.14 秒；Cartesia 通过外部端点提供的 Ink Preview 更快（0.11 秒），但 WER 为 3.1%。在首个部分转写一项中，Grok Voice Transcribe 2.0 为 3.4%、0.49 秒；Muse 与 ElevenLabs 同为 3.6%、0.13 秒，比 MAI 的 0.12 秒稍慢；Cartesia Ink-2 最快（0.07 秒），但 WER 4.0%。
AA 在其指数页面公开了这套测量的口径：AA-WER Streaming 由约 8 小时音频组成，来自 AA-AgentTalk（占 50%）、VoxPopuli（25%）与 Earnings22（25%）三个数据集；「语音结束后返回时间」从语音活动检测（VAD）判定的结束点开始计时（）。这组成绩出自 AA 自建的这一指数，是一个单一口径的第三方测量。
语音模型：23 种语言、150 毫秒端到端延迟
MAI-Voice-2.1 是两款语音模型中的标准款：微软称它支持 23 种语言和 26 个语言区域（locale），同一个音色可以跨语言使用并带出当地口音，先用英语、再用中文、再用德语，听上去仍是同一个说话人（公司自述）。
MAI-Voice-2.1-Flash 支持同样的语言与跨语言音色，定位是高频、对延迟敏感的工作负载。微软给出的数字是：单次可生成 45 秒音频，端到端延迟 150 毫秒；模型推理比同类快 55%，价格便宜约 60%（公司自述）。两款模型都支持用几秒钟参考音频做音色克隆，并内置了同意（consent）防护。
价格上，MAI-Voice-2.1 为每百万字符 22 美元，Flash 为每百万字符 15 美元。同日上架这些模型的 Vercel 也写到，Voice-2.1 在长段落中保持同一音色（）。
现在可以从哪些渠道调用
微软称三款模型从发布当天起就可以使用，并列出了渠道：三款模型均通过 Microsoft Foundry、MAI Playground、Vercel 与 Azure Voice Live 提供，两款语音模型还可以通过 OpenRouter 调用，LiveKit 被标注为「即将上线」。微软还在 MAI Playground 里做了叫 Chatter 的演示，展示这些模型在一个实时 agent 中一起工作。
Vercel 的更新日志给出了接入细节：AI Gateway 按各模型的标价计费，不加平台费，也不对推理加价；三款模型的调用 ID 分别是 microsoft/mai-transcribe-2-streaming、microsoft/mai-voice-2.1 和 microsoft/mai-voice-2.1-flash。它还提醒，流式转录返回的部分文本会随音频推进而更新，应用要在新的部分文本到达时更新显示。
定价：每小时 0.54 美元，AA 称其处于领先流式模型的高位
流式转录的价格是每小时 0.54 美元，即每 1,000 分钟 9 美元。AA 列出的对照是：与 Gemini 3.5 Transcribe Live 持平（同为每 1,000 分钟 9 美元），高于 ElevenLabs Scribe v2 Realtime 与 Deepgram Flux 的 6.50 美元，超过 Cartesia Ink-2（4 美元）的两倍，是 Muse Voice Transcribe（3 美元）的三倍；非流式转录的对比价为每小时 0.10 美元，即每 1,000 分钟 1.67 美元（）。
AA 在评测帖文中向微软团队道贺。微软的说法是，该价格是持续到今年年底的初期定价（introductory price）。