微软的流式转写把ElevenLabs比下去了？说话停0.13秒字就出来

综合交流大区
1

微软AI这两天放了MAI-Transcribe-2-Streaming，流式语音转写。Artificial Analysis的流式榜38个模型里它准确率第一，词错率2.5%，人说完话0.13秒出最终结果，收到音频100毫秒左右就开始吐初稿，支持60种语言。苏莱曼的说法是比ElevenLabs快55%、便宜60%。

同时还有个MAI-Voice-2.1上了OpenRouter，100万字符22美元，同一个声音能讲23种语言还保留口音。

做会议纪要和语音客服的可以算算账了。不过中文实测怎么样还没看到靠谱数据，60种语言里中文排第几谁也说不准，英文榜第一不代表普通话也行。有人跑过中文的吗？

2

22刀一百万字符不便宜啊

3

有API了吗还是只在Azure里

4

0.13秒有点夸张 实际网络延迟一加就不是这个数了

5

中文口音带方言的能识别吗 这才是关键

6

粤语我等一个测评

7

微软终于不全靠OpenAI了 自家模型越出越多

8

语音客服又要卷一轮价格了

9

跟真人配音比便宜到地板了好吗

10

按字符算确实贵，长会议转写一个月不少钱