微软发布MAI-Transcribe-2流式语音模型
微软新模型支持60种语言的连续转写，让语音代理能在用户说完之前开始理解请求、准备工具调用。
微软发布MAI-Transcribe-2-Streaming流式语音识别模型，可通过Microsoft Foundry和Azure Speech使用。模型会持续生成阶段性转写，随着音频输入不断修正，并在一句话结束后提交稳定结果。
为连续对话而设计
该模型支持60种语言和自动语言检测。微软称，它能在接收音频后的数百毫秒内给出初始结果，通常约在语音发出320毫秒后显示文字；在微软引用的评测中，最接近的竞争系统需要超过500毫秒。
阶段性结果与最终结果的区别，对语音代理尤其关键。系统可以在用户尚未说完时开始判断意图、准备工具调用或选择回复，从而减少传统流程中的空等时间：过去，应用通常要等完整句子结束，再把文字交给语言模型。
微软将其定位于呼叫中心、语音助手、会议、课堂和实时字幕等场景。开发者既可以通过兼容OpenAI Realtime的WebSocket接口接入，也可以使用Azure Speech SDK，由后者处理连接管理等工作。
为什么重要
这次发布的重点不只是语音识别榜单上的新成绩，而是把语音代理的延迟问题推进到应用架构层面。更快的阶段性转写能让推理和工具准备与说话过程重叠，但早期结果也可能出错，甚至诱发过早操作。由于目前仍是公开预览版，稳定性和错误处理方式尚待验证。不过，多语言覆盖、流式输出和面向代理的接口组合，正在把语音识别从被动转录步骤变成AI系统的主动控制入口。