Aioga
AI资讯 / 行业动态
返回 AI资讯

Microsoft AI 发布 MAI-Transcribe-2-Streaming 流式语音转文本模型,登顶 Artificial Analysis 实时榜单

MarkTechPostAioga 编辑团队2026-10-03T05:09:53.000Z热度 58

Microsoft AI 于 2026 年 10 月 1 日发布其首个流式语音转文本模型 MAI-Transcribe-2-Streaming,并同时推出 MAI-Voice-...

行业动态MarkTechPost

今日 AI 情报摘要

Microsoft AI 于 2026 年 10 月 1 日发布其首个流式语音转文本模型 MAI-Transcribe-2-Streaming,并同时推出 MAI-Voice-2.1 和

MAI-Voice-2.1-Flash 两个语音生成模型。

中文正文 · AI 翻译

微软 AI 发布了 MAI-Transcribe-2-Streaming:https://microsoft.ai/news/our-first-streaming-transcription-model/,这是其首个流式语音转文本(STT)模型。它于 2026 年 10 月 1 日推出,同时发布了两款文本转语音模型,MAI-Voice-2.1 和 MAI-Voice-2.1-Flash。Artificial Analysis:https://x.com/ArtificialAnlys/status/2105694108736188894 将其在最终和首次部分转录准确率方面排名 38 个模型中的第 1 名。该模型面向语音助手、实时字幕和语音记录,其中延迟决定体验。

MAI-Transcribe-2-Streaming 是批处理版本 MAI-Transcribe-2(于九月发布)的实时版。它支持 60 种语言的转录,并自动进行连续语言检测。音频连续输入,文本在说话者仍在讲话时即可流回。

该模型在接收音频约 100 毫秒后就会输出首个假设,即部分转录。随着上下文到来,它会修正这些部分转录,然后生成稳定的最终转录。因此,语音助手可以在句子未结束时就开始推理或调用工具。微软团队表示,其内部测试显示词语出现速度比最接近的竞争对手快 2 倍。

AA-WER 流式索引:https://artificialanalysis.ai/speech-to-text/streaming 使用了约 8 小时的音频。音频混合来自 AA-AgentTalk(50%)、VoxPopuli(25%)和 Earnings22(25%)。延迟从 SileroVAD 检测到的语音结束开始计时。

首个部分转录与最终转录一样准确。这对在说话者未说完前就采取行动的语音助手非常重要。微软还将该模型放在准确率与延迟的帕累托前沿上。

MAI-Transcribe-2-Streaming 的费用为每小时音频 0.54 美元。这是 2026 年底前的推广价格。Artificial Analysis 将其标准化为每 1000 分钟 9.00 美元。批处理版 MAI-Transcribe-2 的费用为每小时 0.10 美元。在流式服务上,微软收费高于 xAI 和 Meta,与 Google 的预估费用大致相当。

微软提供了两条集成路径。实时 API 适合已使用 OpenAI Realtime 兼容 WebSocket 的应用。Azure Speech SDK 负责连接管理、重试和音频流传输。两者都返回中间和最终结果。

该模型还可以在 MAI Playground 上使用:http://playground.microsoft.ai/,通过 Vercel:https://aka.ms/mai-vercel 以及 Azure Voice Live 使用。LiveKit 支持预计即将推出。

微软将其与 MAI-Voice-2.1-Flash:https://learn.microsoft.com/en-us/azure/ai-services/speech-service/mai-voices 配对,以实现完整语音循环。Flash 可生成 45 秒音频,端到端延迟为 150 毫秒,每 100 万字符收费 15 美元。MAI-Voice-2.1 涵盖 23 种语言和 26 个地区,每 100 万字符收费 22 美元。

来源:Artificial Analysis:https://artificialanalysis.ai/speech-to-text/streaming,9to5Mac(Muse 定价):https://9to5mac.com/?p=1066961,DataCamp(Grok 定价):https://www.datacamp.com/blog/grok-voice-transcribe-2-0,The Batch(Gemini 定价):https://www.deeplearning.ai/the-batch/transcription-battles-heat-up。信息已于 2026 年 10 月 2 日验证。

需要与我们合作以推广您的 GitHub 仓库、Hugging Face 页面、产品发布或网络研讨会等?请与我们联系:https://forms.gle/MJjjVDPS7whH8Ngs6

Meta, OpenAI and Uber Just Taught AI Agents to Talk First. What About When to Stay Quiet?
IBM Brings Bob to Self-Hosted and Air-Gapped Environments: Agentic Software Development Without Moving Your Code
Decision AI Models Explained: TypeSafe Jev vs Fastino GLiDE, GLiNER2.5-Decide and Open-Source Competitors
NVIDIA Announces DGX Spark 64GB

Datalab 推出 OmniExtractBench,以修正提取基准中的偏差和不透明性:https://pxllnk.co/hxplrq

以从业者为先的 AI/ML 新闻和分析,每月被 100 万+ 开发者和研究人员阅读。

情报判断

Aioga 编辑摘要

Aioga 编辑摘要:Microsoft AI 于 2026 年 10 月 1 日发布其首个流式语音转文本模型 MAI-Transcribe-2-Streaming,并同时推出 MAI-Voice-2.1 和 Aioga 将其归入「行业动态」方向,重点关注它对真实使用和行业竞争的影响。

背景分析

背景分析:模型与研究类动态需要结合能力边界、开放方式、成本、可用性和真实任务表现判断,单项指标领先不等于已经形成稳定采用。

Aioga 观点

Aioga 判断:这条动态更适合作为行业观察信号,当前信息足以建立线索,但不足以推导长期结论。

影响与后续

影响分析:对相关团队而言,短期应先核对来源、可用范围和实际成本,再判断是否值得接入或跟进。 后续观察:继续观察官方文档、实际可用性、价格变化、开发者反馈和竞品回应。

来源与版权说明

本页正文由公开来源页面提取并按原有信息整理,同时保留来源、发布时间和原文入口。版权归原作者及来源网站所有,请通过原文链接核验和阅读来源版本。

抓取通道: 摘要聚合 · 原始域名: marktechpost.com

来源: MarkTechPost

原文链接: 打开原始来源

Aioga 归档: 查看情报页

Content record: source-page · Updated: 2026-10-03T05:09:53.000Z

API 中转站
API RELAY · DEVELOPER INFRASTRUCTURE

API 中转站

统一接入主流 AI 模型 API,为开发、测试与生产环境提供稳定调用入口。

立即访问 api.w173.com
AIOGA SHARE POSTER

分享这篇 AI 情报

Microsoft AI 于 2026 年 10 月 1 日发布其首个流式语音转文本模型 MAI-Transcribe-2-Streaming,并同时推出 MAI-Voice-...

MarkTechPost2026-10-03T05:09:53.000Z
扫码打开文章详情扫码直达文章详情

Aioga 自动聚合全球 AI 动态,并保留来源信息用于核验与引用。