微软人工智能（Microsoft AI）于2026年10月1日发布MAI-Transcribe-2-Streaming，这是该公司首款流式语音转文字（STT）模型，同时推出的还有两款语音合成模型MAI-Voice-2.1和MAI-Voice-2.1-Flash。在Artificial Analysis的流式语音识别评测中，该模型在最终转写和首个部分转写两项准确率上均排在38款模型首位，面向语音代理、实时字幕和听写等对延迟敏感的场景。
MAI-Transcribe-2-Streaming是2026年9月发布的批处理模型MAI-Transcribe-2的实时版本。它支持60种语言，可连续自动检测语言。音频持续输入的同时，文字在说话人尚未结束讲话时即开始回传。模型在收到音频后100毫秒出头即给出被称为partial的首次假设，随后随上下文增加不断修正，最终提交稳定的转写结果。微软团队称，其内部测试显示词出现的速度比最接近的竞争对手快一倍。这意味着语音代理可以在句子尚未说完时就开始推理或调用工具。
据Artificial Analysis的AA-WER Streaming指数，测试使用约8小时音频，构成为AA-AgentTalk（50%）、VoxPopuli（25%）和Earnings22（25%），延迟由SileroVAD检测的语音结束时刻起算。该模型最终转写词错率为2.5%，在语音结束后0.13秒给出，位列38款模型第一；首个部分转写同样为2.5%词错率，用时0.12秒，也排名第一。紧随其后的Grok Voice Transcribe 2.0为2.7%、0.49秒，Muse Voice Transcribe为3.1%、0.16秒。速度最快的并非该模型：Cartesia Ink-2（外部端点）可在0.07秒返回最终结果，但词错率为4.0%。首个部分转写的准确率与最终转写相同，这对需要在说话人讲完之前就采取行动的代理具有重要意义。微软同时将该模型置于准确率与延迟的帕累托前沿。
在对比数据中，Grok Voice Transcribe 2.0由xAI于2026年9月18日发布，Muse Voice Transcribe由Meta Superintelligence Labs于9月1日发布，Gemini 3.5 Transcribe Live由谷歌于8月26日发布，后者在Artificial Analysis评测中的词错率为4.0%，该机构未列出其出最终结果的时间。说话人分离方面，Muse Voice Transcribe支持20人以上，Gemini的Live模式不支持，微软未就此说明；四款模型均未公开权重。
价格方面，MAI-Transcribe-2-Streaming为每音频小时0.54美元，属2026年底前的推介价，Artificial Analysis折算为每1000分钟9.00美元。批处理版MAI-Transcribe-2为每小时0.10美元。在流式场景中，微软的定价高于xAI的每小时0.20美元和Meta的每小时0.18美元，与谷歌约每小时0.54美元的估算水平大致相当。
集成方面，微软给出两条路径：已经使用兼容OpenAI Realtime的WebSocket的应用可采用Realtime API，Azure Speech SDK则负责连接管理、重试与音频流传输，两者都返回中间结果和最终结果。模型还可在MAI Playground、Vercel和Azure Voice Live中使用，LiveKit支持标注为即将推出。微软将它与MAI-Voice-2.1-Flash搭配组成完整语音回路，后者以150毫秒端到端延迟生成45秒音频，价格为每100万字符15美元；MAI-Voice-2.1覆盖23种语言和26个区域，价格为每100万字符22美元。该模型目前以公开预览形式提供，没有服务等级协议，也未开放权重。