MAI-Transcribe-2-Streaming 与 MAI-Transcribe-2：为词级时间戳多付 5.4 倍

MAI-Transcribe-2-Streaming 和 MAI-Transcribe-2 属于同一模型系列，只是被划分到两个定价层级，而且这种划分足够清晰，可以直接据此做规划。MAI-Transcribe-2 于 2026 年 9 月 3 日作为批处理模型发布：在 Artificial Analysis 的非流式榜单上词错误率为 2.0%，速度约为实时的 411 倍，价格为每音频小时 0.10 美元——约合每 1,000 分钟 1.67 美元。MAI-Transcribe-2-Streaming 于 2026 年 10 月 1 日作为实时变体发布：宣称流式词错误率为 2.5%，最终转写延迟 0.13 秒，Microsoft 称其在最终转写和部分转写的准确率上均属首次，按 Artificial Analysis 的流式方法测量，但尚未在该追踪器的榜单上作为一行列出。每音频小时 0.54 美元——约合每 1,000 分钟 9.00 美元。同样支持 60 种语言，同样仅通过 API 分发，没有公开权重。流式成本是批处理费率的 5.4 倍，而且按 Microsoft 自己的数据，准确率相差 0.5 个百分点。这究竟是划算买卖还是额外成本，完全取决于一个问题：你的流水线中是否有任何环节需要在这句话结束之前就拿到转写？

由于这两个模型来自同一家厂商、同一套文档界面，这种对比异常干净——无需猜测功能对等性，不存在基准版本不匹配，也没有“他们的数字对比我们的数字”这回事。它是同一家厂商在为同一种能力的两种速度定价，而真正有意思的工作，是弄清楚廉价档位究竟能覆盖哪些工作负载。

一家人，排成两排

• MAI-Transcribe-2 — 批处理、预录音频，发布于 2026 年 9 月 3 日。AA-WER 为 2.0%，在 Artificial Analysis 的非流式排行榜上排名第二。速度约为实时的 411 倍，同样排名第二。每音频小时 0.10 美元，约合每 1,000 分钟 1.67 美元，作为限时优惠持续到今年年底，未公布标准价格。捆绑说话人分离功能，并返回词级时间戳。支持 60 种语言，具备自动语言识别能力。

• MAI-Transcribe-2-Streaming——实时、WebSocket 风格的连续转录，于 2026 年 10 月 1 日发布。Microsoft 报告称，语音结束后 0.13 秒时最终转录 WER 为 2.5%，而在 0.12 秒时的首个部分转录结果上也为同样的 2.5%，并称这是首次在两者上都达到该准确率——这是一项按 Artificial Analysis 的流式方法测得的供应商声明；不过截至本文撰写时，该追踪器自己的榜单（37 个模型）尚未标绘该模型，而其当前领先者是 2.73%、0.49 秒的 Grok Voice Transcribe 2.0。每音频小时 $0.54，约合每 1,000 分钟 $9.00，推广价持续至年底。支持 60 种语言，并可自动连续检测语言。未公布说话人分离声明，也未公布词级时间戳声明。

唯一与速度或价格无关的不对称之处在于能力：批处理模型的说话人分离和词级时间戳是有文档记录的功能，而流式模型的则没有。这一点比 0.5 个百分点的准确率差距更重要，也正是许多团队最终会同时运行两者的原因。

5.4倍究竟能换来什么

按每 1,000 分钟 1.67 美元计算，这个准确率档位下的批量转录在边际上几乎等于免费。按每 1,000 分钟 9.00 美元计算，流式转录就是一笔实打实的支出——大致相当于把同一段音频转录五遍的成本，再加上半个百分点的准确率。所以，问题不在于实时是否更值钱；而在于哪些具体的分钟需要它。

它显然适用的工作负载包括：实时字幕——说话人讲话时有人正在阅读，在这里，0.13秒与等到文件结束之间的差别就是整个产品；实时坐席辅助和合规评分——在这里，通话结束后才到达的干预毫无价值；以及交互式语音应用——在这里，转录不完成，一轮对话就无法完成。在这三种场景中，批处理模型都不是更便宜的选择，而是根本不是一个选项——没有任何价格能让事后转录变成实时转录。

它明显不适用的情况包括：事后处理的会议和通话录音、媒体归档、联络中心批量质检、已完成通话的合规审查、播客和视频字幕。这些正是批处理模型凭借411倍实时速度和1.67美元费率旨在胜出的流水线，而支付5.4倍的价格来将没人到明天才会看的转录文本缩短几百毫秒，纯属浪费。再加上说话人分离和单词时间戳功能——批处理模型有相关文档，而流式模型没有——事后处理方案的理由只会更充分，而非更弱。

最有趣的是中间地带，两者在这里真正互补：为实时界面运行流式处理，为记录留存运行批处理。一通客服通话被实时转写以驱动座席辅助面板，随后在夜间通过批处理重新转写，生成带说话人分离和时间戳的存档转录文本，这比仅使用批处理只多花少量额外成本，却能同时获得两种行为。这种模式直到九月才成为可能，而十月的发布才使其完整。

在双分部结构显现之处

关于这个家族，有两点值得注意，因为它们属于结构性的，而非偶然的。

第一，准确率的层级关系与通常模式相反。流式模型通常要为实时输出付出可观的准确率代价；而这里的代价是 0.5 个百分点，从批处理榜上的 2.0% 到流式榜上宣称的 2.5%。根据微软自己公布的数据，其实时模型与自家批处理旗舰模型的差距在半个百分点以内——如果这一成绩能够保持，这才是十月发布真正的工程成就，而不是榜首位置；一次顺利的复跑就可能改变榜首排名，而且追踪方尚未确认该排名。

其次，这一定价也背离了通常模式。供应商通常会给更高用量的层级打折；而 Microsoft 将流式处理定价为批处理的 5.4 倍，并让两者都采用同时到期的推介价。这看起来不像是有意为流式处理设定的溢价，更像是两次独立发布各自附带发布折扣，而且两者都没有公布标准价格。规划 2027 年预算的团队应把这两个数字都视为暂定——1.67 美元和 9.00 美元都标注为限时价格，且两者都没有公布后续价格。

什么尚未被证明？

批处理模型九月悬而未决的问题至今仍未解答：没有公布说话人分离错误率，60 种语言这一说法背后没有按语种细分的明细，还有一个促销价，却没有指明后继产品。流式模型又添了一条实时工作特有的问题——流式 WER 是在干净音频上测得的，而嘈杂远场流中的部分转写质量，才是部署中最要紧、发布材料中却着墨最少的失效模式。它同时还继承了流式榜单的胶着态势：跟踪器 37 款模型的榜单上，前三名之间的差距不到零点几分，因此"第一"是一种可能被一次重跑改写状态——而微软的"第一"是一种宣称，而非榜单上的一行。

不过，真正值得关注的是家族层面的问题。微软现在以相差五倍的两个价格出售同样的能力，而昂贵的档位反而缺少了廉价档位明确列出的两项功能。如果说话人分离和词级时间戳登陆流式 SKU，那么差距就缩小为纯粹的延迟与价格的取舍，决策也就简单得多。如果没有，那么两档并行的结构就是永久性的，架构就应该围绕它来构建。

这让转录技术栈处于何种境地

实际结果是，转录在九月不再是一项单独的条目，到了十月却变成了一项路由决策。过去只统一采用一个 API 的流水线，现在希望实时界面用流式处理、记录用批处理，并且还要有一套规则来决定哪段音频走哪条路径——而这条规则本身就是一个路由问题，这种复杂度集中出现在一家供应商的发布周期里，实在有些奇怪。

受影响最大的，是转录文本之上的那一层。无论哪一层级生成文本，这些文本随后都要被摘要、分类、脱敏和路由，而这些步骤运行在各有自身延迟与成本特征的语言模型上——实时转录需要快速、廉价的模型，归档转录则用得起更强的模型。OrcaRouter 正好覆盖这一层：一个 API 覆盖 200 多个模型，以 0% 加价直通提供商标价，自动故障转移，还有一套按工作负载而非按流水线选择模型的路由 DSL。MAI-Transcribe-2-Streaming 和 MAI-Transcribe-2 都不在这份名单上——两者都通过微软自家的语音栈提供服务——但一个双轨转录层，是迄今为让其后所有下游环节保持可移植性而给出的最有力论据。

诚实的总结是：流式并不是一个更好的 MAI-Transcribe-2，而是另一款以另一个价格出售的产品。只为那些确实需要实时处理的分钟数购买它，把其余部分留在便宜档位，并为两种费率在推广期结束后都会被重新定价做好预算。