流式轉錄 AI 新標杆：微軟 MAI-Transcribe-2-Streaming 登場，2.5% 詞錯誤率、0.13 秒延遲奪冠
作者：故淵 責編：故淵 評論： 感謝網友 xxy171070 的線索投遞！10 月 2 日消息，微軟昨日（10 月 1 日）發佈公告，宣佈推出其首個實時流式語音轉寫模型 MAI‑Transcribe‑2‑Streaming，可在講話進行時持續輸出文字，覆蓋 60 種語言，並支持自動語言檢測。費用方面，MAI‑Transcribe‑2‑Streaming 模型目前處於優惠階段，價格為每小時 0.54 美元（注：現匯率約合 3.6 元人民幣），約合每 1,000 分鐘 9 美元（現匯率約合 60.
5 元人民幣），開發者可以通過 Microsoft Foundry、MAI Playground、OpenRouter 等渠道體驗或接入。注，微軟此前已推出非流式的 MAI‑Transcribe‑2，在 Azure Speech 公共預覽階段的價格為每小時 0.10 美元（現匯率約合 0.67 元人民幣）。流式“Streaming”是實時返回相關結果，適合實時對話和字幕；而非流式是處理完成後一次性返回，適合錄音文件、會議記錄和臨床文書等完整轉寫任務。
延遲方面，MAI-Transcribe-2-Streaming 會在接收到音頻後約 100 多毫秒內生成首批“部分文本”，隨後根據更多上下文持續修正，並在語句結束後快速提交穩定結果。微軟稱，在其實時評估中，文字最快可在語音出現後約 320 毫秒顯示；在 Artificial Analysis 的測試中，模型最終轉錄延遲為 0.13 秒，最終詞錯誤率為 2.50%，位列 28 個流式語音轉文字模型之首。在實際體驗方面，語音應用無需等到用戶說完一句話，就可以提前理解意圖、啟動推理或調用工具。例如，客服智能體可以在來電者尚未說完時開始識別問題，實時字幕系統也能更接近“所說即所見”的體驗。
功能方面，MAI-Transcribe-2-Streaming 支持 60 種語言，並具備自動、連續的語言檢測能力。用戶無需在會話開始前手動指定語言，系統可以根據語音內容識別語言變化。跑分方面，在 Artificial Analysis 於 9 月 28 日公佈的流式語音轉文字排行榜中，MAI-Transcribe-2-Streaming 的最終詞錯誤率為 2.50%，低於 Grok Voice Transcribe 2.0 Streaming 的 2.73% 和 ElevenLabs Scribe v2 Realtime 的 3.59%。
微軟同時強調，該模型在最終轉錄和首次部分轉錄兩個指標上均排名第一。相關閱讀：《微軟最強轉錄 AI 模型：MAI-Transcribe-2 登場，60 語種平均詞錯誤率 5.
2%》 投訴水文 我要糾錯 下載APP，簽到賺金幣兌豪禮 相關文章關鍵詞：微軟，AI報告稱微軟 Copilot 承包商可完整查看用戶上傳的照片、AI 提示詞等外媒稱微軟整合 Copilot 品牌加劇混亂，引發用戶困惑生效約 6 個月後，微軟 Copilot Discord 頻道不再屏蔽 Microslop 關鍵詞微軟發佈 Ink Canvas：數字畫布承載用戶靈感，AI 降低表達門檻微軟高管內部表述曝光，稱訓練 AI 是“人類歷史上最大規模勞動竊取”微軟 Azure CTO 驚歎 AI 能力：30 分鐘跨平臺移植基礎功能、2 天實現約 90% 功能
Related
相關文章
OpenAI 稱其遭遇有組織蒸餾，將矛頭指向月之暗面
作者：潞源 責編：潞源 評論： 感謝網友 愚公騎馬、咩咩洋 的線索投遞！10 月 1 日消息，當地時間 9 月 30 日，OpenAI 在官網發文，稱其近期遭遇一場有組織的蒸餾活動。OpenAI 在文中表示，該活動最初始於 7 月第一週，符合對抗式蒸餾（adversarial distillation）之特徵，即系統性未經授權地利用某模型輸出或推理過程，幫助訓練、復現或改進另一模型。
推出 Olmo-core 3：為大型 MoE 打造的開放、可擴展訓練基礎架構
今日我們正式釋出 Olmo-core 3，這是我們大型語言模型開發框架的重大升級，核心亮在於重新設計的開放式混合專家（MoE）訓練系統。Olmo-core 3 旨在將 MoE 訓練規模擴展至兆級參數，同時維持運算效率。該系統是下一代 Olmo 的核心基礎之一，亦體現我們持續開放每款新模型背後工具與訓練基礎架構的承諾。
NVIDIA 發布 Kumo Tabular：開放表格基礎模型，單次前向傳播即可預測新資料列
NVIDIA 推出 Kumo Tabular，這是一系列用於分類與回歸任務的新型表格基礎模型（TFM）。若您曾接觸過 TabPFN 或 TabICL，對此架構應不陌生。該模型以已標記的資料列作為上下文，並在單次前向傳播中預測新資料列，無需訓練、無需超參數調整，也無需特徵工程。Kumo Tabular 提供 Small、Medium 與 Large 三種版本，參數量約從 2,800 萬至 2.15 億不等，並透過 NVIDIA 開源的 structured-data-models（SDM）函式庫運行。此模型可直接部署，其權重採用 OpenMDW-1.1 授權，允許商業使用；SDM 程式碼則以 Apache-2.0 授權發布，需搭配 Python 3.11 以上版本與 PyTorch 2.7 以上版本，範例程式以 CUDA GPU 為目標環境。SDM 函式庫的附加價值在於，它是一個專為結構化資料設計的 GPU 原生函式庫。
Perplexity 發布 pplx-embed-v2-context-9b-preview：可檢索答案及其佐證的語境嵌入模型
Perplexity Research 與 turbopuffer 合作推出 pplx-embed-v2-context-9b-preview，這是一款專為 RAG 管線設計的語境嵌入模型。每個區塊在嵌入時都會將完整文件納入考量。真正的變革在於訓練信號：模型學習檢索答案以及驗證答案所需的上下文，而非僅擷取單一「黃金段落」。 這款模型是否可部署？可以，作為自架預覽版。權重已以 MIT 授權發布於 Hugging Face。載入時需使用 transformers>=5.4.0 並設定 trust_remote_code=True。目前尚未整合至 Perplexity API。模型卡特別註明，權重與介面可能在不提供向後相容性的情況下變更。 為什麼黃金段落不夠好？RAG 系統會將長文件分割成多個區塊。但某個區塊往往依賴於文件中其他地方定義的實體、標題或概念。語境模型正是為瞭解決此問題而設計。
OpenAI推理之父最新訪談！數學只是多智能體時代的開胃菜
OpenAI研究員、o1核心作者Noam Brown在最新訪談中指出，千禧年數學難題的突破中，10000個Agent最多只佔10%功勞。他認為多智能體系統是未來研究方向，並進一步探討公司經營、遞歸自我改進與超級對齊等議題。
個人Agent，人邁向硅基的第一步？
字母AI2026.09.30 19:17 · 來自北京全文5353字00:00 / 15:05信奉硬件為王的蘋果，天要塌了？文 | 字母AI9月初，Meta的Muse上線，不到兩週登上美國App Store免費榜首，Sensor Tower估算截至9月24日累計下載量超過340萬次。