每小时0.54美元：微软流式转录第一，是非流式的5倍

2.50%的词错误率，0.13秒的延迟，微软的新模型拿下了流式转录榜单第一的位置。

但更值得看的数字是它的定价：每小时0.54美元。同一家公司几乎同名的非流式版本，每小时0.10美元。

流式的价格是它的5倍多。这多出来的钱买到了什么，又没买到什么，值得说清楚。

一句话说清：它是边听边说，不是听完再写

10月1日，微软AI一次发了三款语音模型：MAI-Transcribe-2-Streaming、MAI-Voice-2.1，以及它的高速版MAI-Voice-2.1-Flash。三款都在Microsoft Foundry上以公共预览的形式提供，Foundry之外还能在MAI Playground、OpenRouter、Vercel这些渠道试到。

前一个是语音转文字，后两个是文字转语音。真正的新东西是第一个：它是微软的第一个流式转录模型。

转录这件事分两种做法。非流式是把一段录好的音频丢进去，等模型把整段处理完，一次性把文字交出来。流式是音频一边送进去，文字一边出来，没说完的句子先给一版不完整的稿子，之后不断改，说到某个位置再定稿。

微软上一个转录模型MAI-Transcribe-2走的是前一条路。这次的区别不在准确率，在时间。

流式模型支持60种语言，并且能自动、连续地判断语言。这一点比听上去重要：真实场景里一段会议既可能中英混杂，也可能中途换人换语种，要求用户开场前先指定语言，等于把问题推给了使用者。

2.5%和0.13秒，是两个不同时刻的数字

先把这两个数字的来处说清楚，它们经常被当成同一件事。

2.50%是最终词错误率，0.13秒是最终延迟。

换成日常说法：在一句话结束、这段文字被确定为最终结果之后，它的错词率是2.50%；而模型从话音结束到交出这个最终结果，用了0.13秒。

拆开看这套流程。音频不是一整块进来的，是被切成小块持续送进模型的。每进来一块，模型先给一版临时文字，这版文字在100多毫秒内就会出现；微软自己的实时评测里，文字最快在语音出现后约320毫秒显示出来。随着上下文越攒越多，这些临时文字会被反复修改，直到句子结束，模型提交一个它认为稳定的版本。

关键就在这里：2.50%算的是最后那一版，0.13秒算的是最后一版出现得有多快。你在屏幕上看到的那一版临时文字，不在这个指标里。

这不是微软一家的问题，是所有流式转录模型共用的度量方式。最终结果的指标天生好看，中间稿的指标难看得多。行业公开的排行榜也很少把"中间改了几次、改错了多少"单独摆出来。

榜单的对比对象倒是清楚。Artificial Analysis在9月28日发布的流式语音转文字排行里，排在微软后面的是Grok Voice Transcribe 2.0 Streaming的2.73%，再后面是ElevenLabs Scribe v2 Realtime的3.59%。

前两名之间只差0.23个百分点。

这个差距的意思是：领先是真的，但没有代差。选型的时候把"榜单第一"当成一个加分项，而不是一个必须换的理由，会更理性。

每小时0.54美元，是非流式的5倍

再看价格。MAI-Transcribe-2-Streaming目前的优惠价是每小时音频0.54美元，折合约每1000分钟9美元。

而微软的非流式模型MAI-Transcribe-2，在Azure Speech公共预览阶段的价格是每小时0.10美元。

同一家公司、同一个任务，只因为多了"实时"这两个字，价格差了5倍多。

有人可能立刻想到"因为流式的更准"。这个推论在这里不成立。非流式那个模型对外给出的成绩是60种语言平均词错误率5.2%，看着比2.50%差不少，但这两个数字来自不同的评测集、不同的语言构成，放在一起比较没有意义。两个模型之间真正的差别是交付方式，不是准确率的档位。

真正撑起价差的是算力占用方式。非流式可以攒批：一百段录音一起送进来，服务器塞满算力跑一轮就行，机器不用为某一路音频空等。流式做不到，每一路音频都要保持一个活着的会话，说话人下一秒说不说、还要说多久，服务端都不知道，但算力得占着。按音频时长计价，实际是在为这段占用时间付费。

还有一层容易忽略：0.54美元属于"年末前的引入价"。正式价格没有公布，做预算的时候按这个数字算，等于把优惠当成了常态。

放到场景里：0.13秒能换来什么

延迟这个数字，只有在具体场景里才有意义。

放到客服智能体里看。用户说"我上个月买的那台……"，句子还没结束，流式模型已经识别出他在讲一台具体商品。系统可以提前去查订单，等用户说完"能不能退"，答案已经准备好了。非流式做不到这一点，它必须等这句话说完才开始处理。

放到实时字幕里看。字幕要贴着声音走，观众才能跟着看。0.13秒的最终延迟意味着字幕不会明显落后于口型，在直播、会议、课堂这类场景里，这是可用与不可用的区别。

反过来看会议记录。录音转文字是典型的"整段放在一起处理"的任务，说话人不需要中途看到文字，也不需要系统提前反应。这类任务用非流式，成本只有流式的五分之一左右。省下来的钱不是抠出来的，是任务本身不需要实时。

这里有个容易忽视的物理限制：人说话本来就带停顿，句子中间的空隙常常有好几百毫秒。所谓实时，本质是让模型在信息还不完整的时候先下判断，然后不断修正自己，而不是让模型瞬间看完整句话。这也解释了为什么中间稿的准确率天然低于最终稿。

最容易看错的几件事

说法一：2.5%的词错误率，意思是一百个字错2.5个字。

这个说法在定义上没错，词错误率确实是错词数除以总词数，数值越低越好。但它解释不了一件事：这个2.50%是最终结果的成绩。实时字幕里先出现的那版文字会被改写，观众实际看到的中间状态并不能保证同样的错误率。更准确的理解是，把2.50%当成这套系统的下限，而不是你眼睛看到的平均状态。

说法二：既然是榜单第一，现在就该把项目切过去。

这个判断有现实支撑，2.50%的最终错误率和0.13秒的最终延迟，确实是目前公开成绩里最好的。但它解释不了部署条件：模型处在公共预览阶段，官方文档明确写着没有服务等级协议，也不建议用于生产负载。更准确的理解是，它的位置是"目前能买到的最好的实时转录"，不是"所有转录任务都该换成它"。真要上生产，得先准备好一条降级路径。

说法三：同一家公司的模型，贵的那个一定更强。

这符合一般直觉，型号更新、价格更高通常对应更强的能力。但它解释不了价差结构：流式贵，贵在状态保持和并发占用，不在于模型本身高一个档。同一代的非流式版本便宜，是因为它可以把算力攒起来用。更准确的理解是，这5倍价差买的是"不攒批"，是交付方式的溢价。