微软 MAI-Transcribe-2-Streaming 登顶 AA 榜：2.5% WER + 语音结束后 0.13 秒出稿——日语主播实测「会议纪要应用要变天」

视频加载中

视频加载中

微软 AI 10 月 1 日发布其首个流式语音转写模型 MAI-Transcribe-2-Streaming，在 Artificial Analysis AA-WER Streaming 榜上同时拿下最终转写准确率与首个部分转写准确率双第一：WER 2.5%（100 词只错 2.5 个），语音结束后 0.13 秒即提交稳定稿，超越此前第一 Grok Voice Transcribe 2.0（2.7%、0.49 秒）。支持 60 种语言与连续自动语种检测，收到音频仅约 100 毫秒即产出首个部分假设（partials），可边修订边推进——语音 Agent 能在说话者话说完之前就开始推理/调用工具；内部听写与字幕测试中文字出现速度约为最强竞品的 2 倍。定价 $0.54/音频小时（约 $9/千分钟，年末前 introductory 价），处于高端定价带（ElevenLabs Scribe v2 Realtime 与 Deepgram Flux 为 $6.50）。同期发布 MAI-Voice-2.1（$22/百万字符）与 MAI-Voice-2.1-Flash（$15/百万字符）。日本主播 studio_yebisu 实测演示（34 秒视频，ElevenLabs v4 合成语音经麦克风流式转写）：普通词汇精度很高且极快，耳语与专有名词尚不能完美转写；认为「会议纪要转写应用」赛道受冲击，但专有名词词典注册仍有价值。微软自研音频栈再下一城——转写能力的商品化正在挤压独立语音 AI 厂商的定价权。