微软补齐语音AI矩阵，流式转录模型登顶基准测试
TREE NEWS 报道， 微软于10月1日发布三款新的语音模型，包括实时语音转文字模型 MAI-Transcribe-2-Streaming，以及文本转语音模型 MAI-Voice-2.1 和更低延迟的 MAI-Voice-2.1-Flash。其中，MAI-Transcribe-2-Streaming 在 AI 基准测试平台 Artificial Analysis 的流式语音识别测试中拿下准确率第一，超过此前排名居首的 Grok Voice Transcribe 2.0。
基准数据显示，MAI-Transcribe-2-Streaming 的最终转录词错误率（WER）为 2.5%，在 38 款模型中表现最佳，从说话结束到返回最终文本仅需约 0.13 秒。在更强调实时性的“首次部分转录”测试中，其 WER 同样为 2.5%，延迟约 0.12 秒。对比来看，Grok Voice Transcribe 2.0 的最终 WER 为 2.7%、延迟 0.49 秒；Muse Voice Transcribe 为 3.1% 和 0.16 秒；ElevenLabs Scribe v2 Realtime 则为 3.6% 和 0.14 秒。
流式模型为何重要
与传统“听完—处理—输出”的模式不同，流式模型会在接收到音频后约 100 毫秒就开始产生首批结果，并随着更多语音信息进入不断修正文本。微软称，这意味着语音智能体可以在用户尚未说完一句话时就开始识别需求、提前推理并准备工具调用，对客服、实时听写、字幕和实时翻译等场景意义明显。微软内部测试显示，其文字出现速度约为最接近竞争对手的两倍。
不过速度并非绝对领先。Cartesia Ink Preview 的最终转录延迟约 0.11 秒，略快于微软模型，但其 WER 为 3.1%，准确率低于微软。
定价策略：不打低价牌
微软为 MAI-Transcribe-2-Streaming 提供了每小时 0.54 美元的年末前优惠价格，相当于每 1000 分钟 9 美元，目前处于面向开发者的推广阶段。横向比较看，这一价格处于主流流式语音模型价格的相对高位：与 Gemini 3.5 Transcribe Live 的约 9 美元/1000 分钟相当，高于 ElevenLabs Scribe v2 Realtime 和 Deepgram Flux 的约 6.50 美元，也明显高于 Cartesia Ink-2 约 4 美元和 Muse Voice Transcribe 约 3 美元。这表明微软并非单纯以低价抢市场，而是试图将准确率、延迟与企业级部署能力结合起来。
“说得快”的另一端
除转录模型外，微软还发布 MAI-Voice-2.1 和 MAI-Voice-2.1-Flash。其中 MAI-Voice-2.1 支持 23 种语言、26 个地区/语言环境，同一个声音可以跨语言保持一致，并针对不同语言使用更自然的本地口音，让开发者无需为每种语言配置不同声音。其价格为每 100 万字符 22 美元；Flash 版本降至每 100 万字符 15 美元，推理速度提升 55%，成本较可比模型低约 60%。两款模型均支持基于数秒参考音频进行声音克隆，并加入同意机制等安全措施。
市场影响分析
- 微软（MSFT）：此次发布强化了其垂直整合叙事——同时掌握模型、云基础设施与 Copilot、Teams、GitHub、Dynamics 365 等分发渠道。语音 AI 是高毛利、高粘性的企业级入口，有助于 Azure 在与竞争性超大规模云厂商的 AI 竞争中巩固地位。
- 语音 AI 纯玩家：ElevenLabs、Deepgram、Cartesia 等厂商面临可信度考验。微软以溢价定价拿下准确率第一，可能促使企业将语音支出向超大规模平台集中，而非采购单点最优方案。
- 客服中心与 BPO 软件：更快的流式转录压缩了 AI 智能体的延迟预算，可能加速客服岗位自动化，并对依赖第三方语音引擎的传统 CCaaS 厂商形成压力。
- 更广泛的 AI 基础设施：实时语音负载推理密集且对延迟敏感，利好靠近边缘、区域化分布的算力。预计资本开支将继续向推理能力倾斜，而非仅聚焦训练。
投资者要点
- 微软正在端到端整合语音 AI 栈，从转录到合成，且竞争重心已从价格转向性能。
- 流式转录的基准领先更像分发武器而非独立产品——价值通过 Copilot、Teams 和 Azure 消耗量兑现。
- 关注语音 AI 纯玩家是否以降價或差异化企业功能回应；利润率压缩是该群体的核心风险。
- 实时语音智能体是 AI 推理需求的前瞻指标，而推理仍是超大规模云厂商更持久的变现层。
