微软 AI（Microsoft AI）部门于 10 月 4 日发布 MAI-Transcribe-2-Streaming，在第三方评测机构 Artificial Analysis 的语音转写榜单上同时拿下“最终转写准确率”与“部分转写（流式）准确率”双第一，覆盖 60 种语言，部分结果返回仅需 100 毫秒出头。
事件背景
随着实时会议、客服与字幕场景对低延迟转写需求激增，主流云厂商纷纷押注自研语音模型。谷歌、OpenAI、Meta 等均在这一赛道密集更新，微软此次以“自研 AI”品牌（MAI）正面参战。
核心内容
- 双榜第一：在 Artificial Analysis 上，MAI-Transcribe-2-Streaming 的最终与流式准确率均列第一，跨 60 种语言。
- 超低延迟：部分（partial）转写结果在约 100 毫秒多一点的时间内返回，适合实时字幕与同传类应用。
- 定价友好：年内推广价为每音频小时 0.54 美元。
- 语音合成同步：微软同时推出 MAI-Voice-2.1 与 MAI-Voice-2.1-Flash，覆盖 23 种语言、26 个地区。
影响与解读
微软正把底层模型能力从文本、视觉延伸到语音全栈，既服务于 Office/Copilot 生态，也为 Azure 上的开发者提供可调用 API。低延迟流式转写是企业级实时场景的关键门槛，率先突破有助于在客服、医疗、司法等垂直行业落地。
相关动态与展望
随着多模态智能体成为主线，语音“听得懂、说得自然”将直接影响人机协作体验。预计谷歌 Gemini 语音与 OpenAI 音频栈也会在近期加速迭代，语音赛道的军备竞赛刚刚开始。
信息来源：AIBriefs AI News Today（10/4）
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。
评论(0)