微软 MAI-Transcribe-2-Streaming 与 100ms WASAPI 采集预算

文章称微软于 2026 年 10 月 1 日发布首个实时语音转文字模型 MAI-Transcribe-2-Streaming，首段部分假设延迟约 100ms，语音结束后约 0.13s 完成定稿，在 Artificial Analysis 流式榜单上词错误率 2.5%，支持 60 种语言并自动检测，2026 年底前定价为每音频小时 0.54 美元，可通过 Microsoft Foundry、兼容 OpenAI Realtime 的 WebSocket 端点和 Azure Speech SDK 使用。作者同时指出，Windows 采集路径的设备周期、共享模式混音和远程往返会使理论 100ms 部分结果变成 250–400ms 端到端延迟，对实时字幕和通话转写体验影响明显。

AI推荐理由 内容涉及微软 MAI-Transcribe-2-Streaming 实时语音识别模型的具体指标（约 100ms 首字延迟、0.13s 收尾延迟、2.5% WER、60 语言、$0.54/音频小时）及 Windows WASAPI 采集链路带来的端到端延迟叠加问题，对语音应用开发者有实用价值；但来源为个人 DEV 博客，模型发布信息与榜单数据未在文中给出可核验链接，需谨慎对待。