模型到体验 · 实时语音
MAI 开始实时转写：字幕出现快，还要看多久才稳定
临时文字会随上下文修正，定稿才确认一个片段。用 AA 的同一流式测试，比较 MAI 与 Grok 的错词、停句后等待和音频费用，再看它怎样接入实时字幕与语音交互。
这是面向开发者的 API，需由产品接入。以下依据官方说明与 AA 的外部测试整理，本站未做中文会议或完整语音助手实测。
边说边出现的字，为什么还会改
微软 10 月 1 日推出 MAI-Transcribe-2-Streaming：音频不断传入，文字也不断返回，支持 60 种语言与连续自动语言检测。它先给临时转写，再随着后面的语音补充上下文、修正结果，最后确认稳定片段。实时字幕里先出现、随后被改掉的词，正是这个过程的一部分。
看直播字幕，需要文字跟得上讲话，也需要一句话结束后尽快稳定；整理已经录完的访谈，则可以把整份文件交给模型，再看处理速度和校对工作。语音助手还要接着理解、调用工具和生成回答，因此转写定稿只是对话等待中的一段，不能代表人多久会听到回应。
来源与延伸阅读
- Microsoft AI：首个流式转写模型官方发布 · 10 月 1 日60 语言、临时转写与稳定片段、首批文字的厂商计时、优惠价格及 Chatter 入口。
- Microsoft Foundry：新 MAI 语音模型接入官方接入说明 · 10 月 1 日整段录音与实时交互的用途区别，以及 Foundry / Azure Speech 的接入与价格说明。
同样边说边传：错词、等待和价格一起看
10 月 2 日读取 Artificial Analysis 的流式测试，MAI 的最终词错误率约 2.5%，Grok Voice Transcribe 2.0 的流式版本约 2.7%；讲话结束到最终转写的平均等待分别约 0.13 秒和 0.49 秒。词错误率把错词、漏词和多出的词计入，越低越好。这个测试中，MAI 的错误率和定稿等待更低，音频单价则更高。
这里的计时从 SileroVAD 检测到讲话结束开始，包含测试请求的网络等待；测试约 8 小时音频，按 AA-AgentTalk 50%、VoxPopuli 25%、Earnings22 25% 合成指标。微软所说收到音频后略高于 100 毫秒给出首批临时文字，起点和终点都不同。0.13 秒也不是从开口到显示字幕的全过程；这份数据不能直接当作中文会议的结果。
| 模型 | 最终词错误率 | 讲话结束到最终文字 | 每千分钟音频 |
|---|---|---|---|
| MAI-Transcribe-2-Streaming | 2.5% | 0.13 秒 | 9.00 美元 |
| Grok Voice Transcribe 2.0（流式） | 2.7% | 0.49 秒 | 3.33 美元 |
来源与延伸阅读
- Microsoft AI：首个流式转写模型官方发布 · 10 月 1 日60 语言、临时转写与稳定片段、首批文字的厂商计时、优惠价格及 Chatter 入口。
- Artificial Analysis：流式转写测试独立评测 · 10 月 2 日读取同口径 MAI / Grok 的词错误率、讲话结束到最终文字的延迟、每千分钟价格，以及数据集与计时定义。
价格按音频算，入口先看实际接入
MAI 流式版本的官方优惠价是每小时音频 0.54 美元，持续到 2026 年底；换算每千分钟为 9 美元，与 AA 表中的价格一致。费用随送入的音频时长累积。相比之下，AA 同表中的 Grok 流式版本为每千分钟 3.33 美元；选择时要同时看能否少等、少改，以及这段音频的费用。
官方提供 Microsoft Foundry 与 Azure Speech 接入，Vercel 也已有独立的 MAI 流式转写页面，可以用麦克风看文字实时出现。Vercel 写明试用按 API 价格计入团队，未付费用户每 30 天有 5 美元额度；实际余额以账户为准。这些是模型服务与接入方的价格，录音软件采用后怎样收费，仍由软件决定。
- 打开 Vercel 的实时转写入口查看账户计费与额度，再开始麦克风会话。
- 看 Foundry 的模型接入说明
来源与延伸阅读
- Microsoft AI：首个流式转写模型官方发布 · 10 月 1 日60 语言、临时转写与稳定片段、首批文字的厂商计时、优惠价格及 Chatter 入口。
- Microsoft Foundry：新 MAI 语音模型接入官方接入说明 · 10 月 1 日整段录音与实时交互的用途区别，以及 Foundry / Azure Speech 的接入与价格说明。
- Artificial Analysis：流式转写测试独立评测 · 10 月 2 日读取同口径 MAI / Grok 的词错误率、讲话结束到最终文字的延迟、每千分钟价格，以及数据集与计时定义。
- Vercel：MAI 流式转写与试用入口接入方原页 · 10 月 2 日读取实时转写界面、每小时音频价格及团队计费和试用额度说明。
先留意一句话怎样出现，再接到声音
想感受区别，可以选一小段自己能核对的口述，带一个人名或数字，讲完后停顿，观察临时文字怎样修正、何时不再变化。微软还提供 Chatter Beta，把转写和声音模型接成语音助手；它适合感受对话节奏，但看到的整次回应包含多个环节，不能拿来复现 AA 的定稿延迟。
若主要整理录好的访谈，可接着看 Grok 2.0 旧文里的非流式比较：它回答整段文件的错误率与处理速度。若想为角色或自己的短片设计声音，Gemini 3.8 TTS 那篇展示的是文字到声音的另一段：安排音色、停顿和情绪。把‘听成文字’和‘把文字说出来’分清，就更容易理解一次语音体验由哪些能力与人的选择组成。
来源与延伸阅读
- Microsoft AI：首个流式转写模型官方发布 · 10 月 1 日60 语言、临时转写与稳定片段、首批文字的厂商计时、优惠价格及 Chatter 入口。
- MAI Playground：Chatter Beta官方演示入口 · 10 月 2 日回读公开界面把转写与声音模型组合成语音助手；本轮只核对入口，未进行语音对话。
把这些变化放在一起看
录好的整段音频与边说边出字幕，计时和纠错条件有什么不同？
听成文字以后，把文字说出来是另一段：看看音色、停顿和每句表演怎样安排。
