一般逐字稿工具的工作方式很好理解。
你录一段声音。
上传。
等 AI 处理。
最后拿到文字。
但如果 AI 要真正变成：
实时字幕、
会议助理、
客服 Agent、
语音助理，
只做到「录完再转」其实还不够。
因为人讲完一句话后，
AI 才开始听、
才开始理解、
才开始想答案，
整段交互就会一直出现延迟。
Microsoft 最新推出的：
MAI-Transcribe-2-Streaming
想解决的就是这件事。
它不是等整段录音结束才吐出 Transcript。
而是：
你还在说，它就已经开始出字。
它和一般语音转文字最大的差别在哪？
关键字是：
Streaming。
普通 Batch Transcription 比较像：
音频完整送进去 →
模型处理 →
回传完整逐字稿。
Streaming 则是：
声音持续进来 →
模型持续产生 Partial Transcript →
取得更多上下文后修正 →
最后确认 Stable Transcript。
也就是说，
屏幕上的文字不是一次全部出现。
而是会像人真的在听一样：
边听、边猜、边修正。
Partial Transcript 是什么？
假设有人正在说：
「明天下午三点帮我安排……」
Streaming Model 不需要等整句说完。
前半句进来后，
可能就先显示：
「明天下午三点……」
接着收到更多声音，
再补完整：
「明天下午三点帮我安排会议。」
前面的结果叫：
Partial。
它还可能改。
后面模型确认后，
才会变成：
Final Transcript。
这个差别对普通录音档好像没有那么重要。
但对 Voice Agent 非常重要。
为什么 Voice Agent 不该等你整句说完？
想像你打电话给客服：
「我想查一下昨天那笔信用卡消费……」
如果 AI 一定要：
等你完全说完 →
语音转文字 →
理解 →
查数据 →
生成答案 →
再念给你听，
你会一直感觉：
它在等。
但如果 Streaming Transcript 在你讲：
「昨天那笔信用卡……」
时就已经开始形成，
后面的 Agent 可以提早：
辨识意图、
准备可能需要的 Tool、
读取相关 Context。
等你讲完时，
前面一部分工作早就开始了。
Microsoft 甚至直接把新的 Streaming Model 定位成：
Voice Agent 的基础组件之一。
Microsoft 说 Partial 最快大约 100 多毫秒开始出现
Microsoft 公布的数据表示，
MAI-Transcribe-2-Streaming 收到 Audio 后，
可以在约：
100 多毫秒
开始产生第一批 Partial Hypothesis。
它不是说：
100 毫秒就完成整句正确逐字稿。
这两件事不能混在一起。
100 多毫秒代表的是：
模型开始形成早期文字结果。
之后随着更多声音进来，
文字还会继续修正。
所以真正重要的不是：
「100ms 把整段话转完。」
而是：
AI 不必等到你停止说话，才第一次知道你在讲什么。
支持 60 种语言，而且可以持续侦测语言
另一个很实用的功能是：
Multilingual Streaming。
Microsoft 表示，
MAI-Transcribe-2-Streaming 支持：
60 种语言。
而且预设可以进行：
Automatic Continuous Language Detection。
这和一开始先叫用户选：
英文、
西班牙文、
日文
不同。
系统可以持续根据收到的语音判断正在使用什么语言。
对真实工作很有用。
因为很多会议根本不是：
从头到尾只讲一种语言。
尤其：
跨国团队、
客服、
采访、
课程
很容易一句里就混进：
产品英文名、
人名、
专有名词。
但「支持 60 种语言」不代表每种语言效果完全一样
这点一定要分清楚。
Microsoft 表示模型支持 60 种语言，
不代表：
每一种语言、
每一个口音、
每一种麦克风、
每一种噪音环境
都有完全相同的准确率。
真正使用时，
还是要拿自己的：
会议录音、
客户电话、
访谈、
课堂、
视频
实测。
尤其如果你的工作里充满：
公司名、
人名、
医疗术语、
产品型号、
产业缩写，
Benchmark 再高，
都不能取代自己的 Sample Test。
Microsoft 说它在 Artificial Analysis 实时转录评测排第一
Microsoft 公布数据指出，
MAI-Transcribe-2-Streaming 在 Artificial Analysis 的实时转录评测中，
Final Transcript 与 Partial Transcript 的 Accuracy 都取得领先结果。
而在 Accuracy／Latency 的比较里，
也位在 Pareto Frontier。
这些 Benchmark 可以拿来了解模型定位，
但不要直接推论：
「所以它在我的中文会议一定也是第一。」
实务上仍然要测：
你的声音。
你的语言。
你的环境。
你的专有名词。
它最适合哪些工作？
第一个很直观的是：
实时字幕
以前直播字幕可能总是慢半拍。
Streaming Model 可以在人说话时持续更新字幕。
特别适合：
在线活动、
讲座、
直播、
课程。
第二个是：
会议实时笔记
不一定要等会议结束后才整理逐字稿。
系统可以一边听，
一边创建：
Action Items、
问题、
关键决策候选。
但「创建候选」和「确认决策」仍然应该分开。
第三个是：
Call Center
客户讲到一半，
系统就可以开始判断：
退款、
物流、
帐务、
技术问题。
等客户说完后，
Agent 不必再从零开始。
第四个就是：
Voice Agent
这可能才是 Microsoft 最在意的场景。
因为真正自然的语音 AI，
不只是声音像真人。
更重要的是：
它不能每次都停两秒才反应。
Voice Agent 的延迟，其实是一条流水线
一次语音对话至少包含：
人说话 →
Speech-to-Text →
模型理解／Reasoning →
Tool Call →
产生答案 →
Text-to-Speech。
每一步多 300ms，
全部加起来就会变得很明显。
所以提升 Voice Agent 体验，
不一定只是：
「换一个更快的大模型。」
也可以从前面开始省：
让 Transcription 更早开始。
Microsoft 这次同时推出新的：
MAI-Voice-2.1
与：
MAI-Voice-2.1-Flash，
就是想同时缩短语音输入与输出的等待。
那它和 9 月的 MAI-Transcribe-2 有什么不同？
这一点容易混淆。
MAI-Transcribe-2 本身早就已经存在。
它适合：
录音档转录、
视频字幕、
会议记录、
Speaker Diarization、
Word-level Timestamp、
Keyword Biasing。
新的：
MAI-Transcribe-2-Streaming
添加的核心不是：
「以前不能语音转文字，现在可以。」
而是：
把同一类工作推进实时串流。
如果你的需求是：
「我有一小时 Podcast，帮我转完整文字。」
Streaming 不一定就是最重要的功能。
但如果是：
「人正在讲，我现在就要文字。」
差别就很大。
开发者现在可以怎么接？
Microsoft 提供两种主要集成方式。
一种是：
Azure Speech SDK。
适合希望 SDK 帮忙处理：
Connection、
Retry、
Audio Streaming
等细节。
另一种是：
Realtime API。
透过 WebSocket 持续送 Audio，
再取得 Partial 与 Final Transcript。
所以这个产品目前的主要对象仍然是：
开发者与企业。
它不是一个像 ChatGPT 那样，
打开网页就开始替你录音的消费者 App。
这个差别要先知道。
一次 Session 目前最长一小时
Microsoft 目前文档列出的限制之一是：
Realtime API 的一个 Session：
最长 1 小时。
所以如果要处理：
全天活动、
超长会议、
长时间客服服务，
应用程序本身还需要设计：
Session Rotation、
Reconnect、
Transcript Continuity
等机制。
不能把 Preview API 当成：
「连上后永远不会断。」
现在也还是 Public Preview
这是目前最重要的限制。
Microsoft 明确标示：
MAI-Transcribe-2-Streaming 目前是：
Public Preview。
没有正式 SLA，
官方也写明：
不建议直接用于 Production Workload。
所以现在比较合理的使用方式是：
开发、
Prototype、
内部测试、
Shadow Test。
例如客服公司可以先：
同步跑 AI Transcript，
但正式客服纪录仍然保留原本流程。
先看：
漏字率、
延迟、
人名、
数字、
产品名、
语言切换
表现如何。
通过之后，
再考虑正式接进工作。
价格目前是多少？
Microsoft 公布的 Introductory Price 是：
每小时音频 0.54 美元。
目前公告写的是：
到 2026 年底。
这里也要注意：
它是 Streaming Model 的 Audio Processing 价格。
如果你后面又接：
LLM Reasoning、
Search、
Tool Call、
Text-to-Speech，
整套 Voice Agent 成本当然不会只有这 0.54 美元。
真正要算的是：
一次完整成功对话的成本。
而不是只看其中一个 Model Price。
如果你只是想把视频做成字幕，需要换吗？
不一定。
如果工作是：
录好视频 →
上传 →
拿完整 SRT →
自己检查，
那么一般 Batch Transcription 已经可能够用。
Streaming 最大的价值，
是在：
「现在就要知道对方正在说什么。」
所以选工具前可以先问一个最简单的问题：
我需要的是「录完很准」，还是「当下就要出字」？
前者偏 Batch。
后者才是 Streaming 真正的主场。
今天真正值得看的不是转录又快了一点
以前 AI Speech 的流程大多是：
人讲完。
AI 听完。
AI 再开始做事。
现在开始变成：
人还在讲，下一个 AI 已经开始准备工作。
当 Transcription、
Reasoning、
Tool Use、
Voice Generation
全部往实时方向移动，
Voice Agent 才可能真正从：
「会说话的 Chatbot」
走向：
「可以自然插进真人工作流程的 AI。」
推荐阅读
今日 AI 工具｜2026/07/14：Descript，像修改 Word 一样剪视频，但中文用户要先注意一个限制
