一般逐字稿工具的工作方式很好理解。
你錄一段聲音。
上傳。
等 AI 處理。
最後拿到文字。
但如果 AI 要真正變成：
即時字幕、
會議助理、
客服 Agent、
語音助理，
只做到「錄完再轉」其實還不夠。
因為人講完一句話後，
AI 才開始聽、
才開始理解、
才開始想答案，
整段互動就會一直出現延遲。
Microsoft 最新推出的：
MAI-Transcribe-2-Streaming
想解決的就是這件事。
它不是等整段錄音結束才吐出 Transcript。
而是：
你還在說，它就已經開始出字。
它和一般語音轉文字最大的差別在哪？
關鍵字是：
Streaming。
普通 Batch Transcription 比較像：
音訊完整送進去 →
模型處理 →
回傳完整逐字稿。
Streaming 則是：
聲音持續進來 →
模型持續產生 Partial Transcript →
取得更多上下文後修正 →
最後確認 Stable Transcript。
也就是說，
螢幕上的文字不是一次全部出現。
而是會像人真的在聽一樣：
邊聽、邊猜、邊修正。
Partial Transcript 是什麼？
假設有人正在說：
「明天下午三點幫我安排……」
Streaming Model 不需要等整句說完。
前半句進來後，
可能就先顯示：
「明天下午三點……」
接著收到更多聲音，
再補完整：
「明天下午三點幫我安排會議。」
前面的結果叫：
Partial。
它還可能改。
後面模型確認後，
才會變成：
Final Transcript。
這個差別對普通錄音檔好像沒有那麼重要。
但對 Voice Agent 非常重要。
為什麼 Voice Agent 不該等你整句說完？
想像你打電話給客服：
「我想查一下昨天那筆信用卡消費……」
如果 AI 一定要：
等你完全說完 →
語音轉文字 →
理解 →
查資料 →
生成答案 →
再念給你聽，
你會一直感覺：
它在等。
但如果 Streaming Transcript 在你講：
「昨天那筆信用卡……」
時就已經開始形成，
後面的 Agent 可以提早：
辨識意圖、
準備可能需要的 Tool、
讀取相關 Context。
等你講完時，
前面一部分工作早就開始了。
Microsoft 甚至直接把新的 Streaming Model 定位成：
Voice Agent 的基礎元件之一。
Microsoft 說 Partial 最快大約 100 多毫秒開始出現
Microsoft 公布的資料表示，
MAI-Transcribe-2-Streaming 收到 Audio 後，
可以在約：
100 多毫秒
開始產生第一批 Partial Hypothesis。
它不是說：
100 毫秒就完成整句正確逐字稿。
這兩件事不能混在一起。
100 多毫秒代表的是：
模型開始形成早期文字結果。
之後隨著更多聲音進來，
文字還會繼續修正。
所以真正重要的不是：
「100ms 把整段話轉完。」
而是：
AI 不必等到你停止說話，才第一次知道你在講什麼。
支援 60 種語言，而且可以持續偵測語言
另一個很實用的功能是：
Multilingual Streaming。
Microsoft 表示，
MAI-Transcribe-2-Streaming 支援：
60 種語言。
而且預設可以進行：
Automatic Continuous Language Detection。
這和一開始先叫使用者選：
英文、
西班牙文、
日文
不同。
系統可以持續根據收到的語音判斷正在使用什麼語言。
對真實工作很有用。
因為很多會議根本不是：
從頭到尾只講一種語言。
尤其：
跨國團隊、
客服、
採訪、
課程
很容易一句裡就混進：
產品英文名、
人名、
專有名詞。
但「支援 60 種語言」不代表每種語言效果完全一樣
這點一定要分清楚。
Microsoft 表示模型支援 60 種語言，
不代表：
每一種語言、
每一個口音、
每一種麥克風、
每一種噪音環境
都有完全相同的準確率。
真正使用時，
還是要拿自己的：
會議錄音、
客戶電話、
訪談、
課堂、
影片
實測。
尤其如果你的工作裡充滿：
公司名、
人名、
醫療術語、
產品型號、
產業縮寫，
Benchmark 再高，
都不能取代自己的 Sample Test。
Microsoft 說它在 Artificial Analysis 即時轉錄評測排第一
Microsoft 公布資料指出，
MAI-Transcribe-2-Streaming 在 Artificial Analysis 的即時轉錄評測中，
Final Transcript 與 Partial Transcript 的 Accuracy 都取得領先結果。
而在 Accuracy／Latency 的比較裡，
也位在 Pareto Frontier。
這些 Benchmark 可以拿來了解模型定位，
但不要直接推論：
「所以它在我的中文會議一定也是第一。」
實務上仍然要測：
你的聲音。
你的語言。
你的環境。
你的專有名詞。
它最適合哪些工作？
第一個很直觀的是：
即時字幕
以前直播字幕可能總是慢半拍。
Streaming Model 可以在人說話時持續更新字幕。
特別適合：
線上活動、
講座、
直播、
課程。
第二個是：
會議即時筆記
不一定要等會議結束後才整理逐字稿。
系統可以一邊聽，
一邊建立：
Action Items、
問題、
關鍵決策候選。
但「建立候選」和「確認決策」仍然應該分開。
第三個是：
Call Center
客戶講到一半，
系統就可以開始判斷：
退款、
物流、
帳務、
技術問題。
等客戶說完後，
Agent 不必再從零開始。
第四個就是：
Voice Agent
這可能才是 Microsoft 最在意的場景。
因為真正自然的語音 AI，
不只是聲音像真人。
更重要的是：
它不能每次都停兩秒才反應。
Voice Agent 的延遲，其實是一條流水線
一次語音對話至少包含：
人說話 →
Speech-to-Text →
模型理解／Reasoning →
Tool Call →
產生答案 →
Text-to-Speech。
每一步多 300ms，
全部加起來就會變得很明顯。
所以提升 Voice Agent 體驗，
不一定只是：
「換一個更快的大模型。」
也可以從前面開始省：
讓 Transcription 更早開始。
Microsoft 這次同時推出新的：
MAI-Voice-2.1
與：
MAI-Voice-2.1-Flash，
就是想同時縮短語音輸入與輸出的等待。
那它和 9 月的 MAI-Transcribe-2 有什麼不同？
這一點容易混淆。
MAI-Transcribe-2 本身早就已經存在。
它適合：
錄音檔轉錄、
影片字幕、
會議記錄、
Speaker Diarization、
Word-level Timestamp、
Keyword Biasing。
新的：
MAI-Transcribe-2-Streaming
新增的核心不是：
「以前不能語音轉文字，現在可以。」
而是：
把同一類工作推進即時串流。
如果你的需求是：
「我有一小時 Podcast，幫我轉完整文字。」
Streaming 不一定就是最重要的功能。
但如果是：
「人正在講，我現在就要文字。」
差別就很大。
開發者現在可以怎麼接？
Microsoft 提供兩種主要整合方式。
一種是：
Azure Speech SDK。
適合希望 SDK 幫忙處理：
Connection、
Retry、
Audio Streaming
等細節。
另一種是：
Realtime API。
透過 WebSocket 持續送 Audio，
再取得 Partial 與 Final Transcript。
所以這個產品目前的主要對象仍然是：
開發者與企業。
它不是一個像 ChatGPT 那樣，
打開網頁就開始替你錄音的消費者 App。
這個差別要先知道。
一次 Session 目前最長一小時
Microsoft 目前文件列出的限制之一是：
Realtime API 的一個 Session：
最長 1 小時。
所以如果要處理：
全天活動、
超長會議、
長時間客服服務，
應用程式本身還需要設計：
Session Rotation、
Reconnect、
Transcript Continuity
等機制。
不能把 Preview API 當成：
「連上後永遠不會斷。」
現在也還是 Public Preview
這是目前最重要的限制。
Microsoft 明確標示：
MAI-Transcribe-2-Streaming 目前是：
Public Preview。
沒有正式 SLA，
官方也寫明：
不建議直接用於 Production Workload。
所以現在比較合理的使用方式是：
開發、
Prototype、
內部測試、
Shadow Test。
例如客服公司可以先：
同步跑 AI Transcript，
但正式客服紀錄仍然保留原本流程。
先看：
漏字率、
延遲、
人名、
數字、
產品名、
語言切換
表現如何。
通過之後，
再考慮正式接進工作。
價格目前是多少？
Microsoft 公布的 Introductory Price 是：
每小時音訊 0.54 美元。
目前公告寫的是：
到 2026 年底。
這裡也要注意：
它是 Streaming Model 的 Audio Processing 價格。
如果你後面又接：
LLM Reasoning、
Search、
Tool Call、
Text-to-Speech，
整套 Voice Agent 成本當然不會只有這 0.54 美元。
真正要算的是：
一次完整成功對話的成本。
而不是只看其中一個 Model Price。
如果你只是想把影片做成字幕，需要換嗎？
不一定。
如果工作是：
錄好影片 →
上傳 →
拿完整 SRT →
自己檢查，
那麼一般 Batch Transcription 已經可能夠用。
Streaming 最大的價值，
是在：
「現在就要知道對方正在說什麼。」
所以選工具前可以先問一個最簡單的問題：
我需要的是「錄完很準」，還是「當下就要出字」？
前者偏 Batch。
後者才是 Streaming 真正的主場。
今天真正值得看的不是轉錄又快了一點
以前 AI Speech 的流程大多是：
人講完。
AI 聽完。
AI 再開始做事。
現在開始變成：
人還在講，下一個 AI 已經開始準備工作。
當 Transcription、
Reasoning、
Tool Use、
Voice Generation
全部往即時方向移動，
Voice Agent 才可能真正從：
「會說話的 Chatbot」
走向：
「可以自然插進真人工作流程的 AI。」
推薦閱讀
今日 AI 工具｜2026/07/14：Descript，像修改 Word 一樣剪影片，但中文使用者要先注意一個限制
