微软推出 MAI-Transcribe-2-Streaming：词错误率 2.5%，延迟仅 0.13 秒
微软发布了其首款实时流式语音转写模型 MAI-Transcribe-2-Streaming。该模型支持 60 种语言，可自动检测语言切换，并在接收音频约 100 多毫秒后开始生成部分文本。微软称，文字最快可在语音出现约 320 毫秒后显示。在 Artificial Analysis 的测试中，模型最终词错误率为 2.50%，最终转写延迟为 0.13 秒，排名超过 Grok Voice Transcribe 2.0 Streaming 和 ElevenLabs Scribe v2 Realtime。目前模型处于优惠阶段，价格为每小时音频 0.54 美元，可通过 Microsoft Foundry、MAI Playground 和 OpenRouter 使用。
本文来源：IT之家,Techmeme，仅供学习参考，版权归原作者所有。