MAI-Transcribe-2-Streaming 登頂：語音 Agent 能邊聽邊做嗎？（2026）

2026 年 10 月 1 日，Microsoft AI 在官網發布〈Our first streaming transcription model debuts at no. 1 on Artificial Analysis〉，宣告 MAI-Transcribe-2-Streaming 與兩款 MAI-Voice 2.1 語音模型登場。標題把「轉錄榜首」放在最前面；真正值得追問的是：較早出現的文字，能否讓語音 Agent 更快、也更可靠地完成整段對話？

先把原文的產品主張攤開，再看獨立榜單究竟量了什麼，最後回到開發者真正需要驗收的對話流程。

Microsoft 想解決的，是語音對話的一整圈等待

A voice agent is a loop.

中文：語音 Agent 是一個循環。

Microsoft AI 原文

這個循環依序包含聽到聲音、辨認文字、理解意圖、可能呼叫工具，以及把答案說出來。Microsoft 的主張是，MAI-Transcribe-2-Streaming 能在說話者尚未結束時送出可修正的部分逐字稿，MAI-Voice-2.1-Flash 則縮短回應生成時間。兩端省下的時間，可以留給中間的推理與工具操作。

原文列出三個新積木：MAI-Transcribe-2-Streaming 支援 60 種語言與連續自動語言偵測；MAI-Voice-2.1 主打多語言聲音一致性；MAI-Voice-2.1-Flash 面向延遲敏感的高流量場景。Microsoft 另稱已在 MAI Playground 製作 Chatter 展示三者協作。這是一套產品發布與應用構想，還不是整個語音 Agent 表現的獨立驗收。

獨立榜單證實了轉錄優勢，但量測點很重要

截至 2026 年 10 月 3 日，Artificial Analysis 的串流語音轉文字榜單列出的 MAI-Transcribe-2-Streaming 最終逐字稿加權字錯率為 2.5136%，語音結束後第一份部分逐字稿的字錯率為 2.5163%；在當時納入的模型中，兩項均居首。榜單也記錄語音結束至最終逐字稿約 0.128 秒。這些是 Artificial Analysis 在其測試條件下的觀察，不是 AlphaLab 自行重現的數據。

依測試方法，測試音訊約 8 小時，由 AA-AgentTalk、VoxPopuli 與 Earnings22 以 50%／25%／25% 加權。音訊按即時速度送入；延遲計時從語音活動偵測器判定的語音結束開始。榜單所稱的「第一份部分逐字稿」，同樣是在語音結束後取樣。它能比較各模型在這個節點的準確率與等待時間，不能直接驗證人在一句話中途時，Agent 已取得可放心執行的意圖。

These partials enable voice-enabled applications to act on speech before the speaker even finishes.

中文：這些部分逐字稿讓語音應用有機會在說話者講完前，先根據語音採取行動。

Microsoft AI 原文

這句話描述的是產品能提供的能力與可能的應用；上面的榜單則測量另一個時間點。原文所說「收到音訊後略多於 100 毫秒出現第一個假設」與「字幕文字出現速度為最接近對手的兩倍」，分別是 Microsoft 自述與內部評估。公開榜單沒有用同一套定義獨立驗證這兩項數字，本文因此只把它們當作待驗收的廠商主張。

「先聽先做」的價值與代價

部分文字不是已確認的指令

串流轉錄的部分結果可以被新音訊改寫。Microsoft 的 Realtime API 文件把 intermediate 定義為目前暫定的尾段，後續事件會替換它；已確認的 delta 才是累積的固定文字。因此，「先顯示字幕」和「先下單、寄信或更改資料」需要不同的信任門檻。前者即使修正通常仍可接受，後者一旦提交就可能難以挽回。

一個合理的設計是讓暫定文字先做低風險準備，例如搜尋候選答案或預載資料；涉及外部副作用的動作，等語句完成、意圖穩定，必要時再請使用者確認。這也是語音 Agent 權限閘門教學所處理的問題：快不等於可以跳過執行邊界。

轉錄快，不等於整段對話快

Microsoft 在MAI-Voice-2.1 產品頁列出 Flash 約 45 毫秒的模型推論延遲，原文則宣稱較長語音輸出可達約 150 毫秒端到端延遲。這些口徑不能直接和榜單的「說完到最終逐字稿」相加：它們起訖點、網路條件與輸出長度不同。真正的使用者等待時間，還包含端點偵測、推理、工具呼叫、語音合成開始播放，以及網路往返。

若要判斷新模型是否改善自己的產品，應用同一組真實任務記錄「說話結束→穩定文字→工具完成→第一聲回覆」的時間與錯誤。語音 Agent 延遲 Trace A/B提供了拆開各段時間的方法；只看轉錄榜單，會漏掉最慢或最危險的環節。

語言清單需要逐語言驗收

Microsoft 文件列出 MAI-Transcribe-2-Streaming 支援 60 種語言，聲音生成產品頁列出 MAI-Voice-2.1 系列支援 23 種語言。這兩份清單證明可用範圍，卻不代表每一種口音、雙語切換、專有名詞與吵雜環境都達到榜單總分。真正部署多語語音服務時，應用自己的語料逐項檢查轉錄錯誤、聲音自然度及切換語言的穩定性。

我的判讀：榜首值得測，完整體驗仍待證明

我同意 Microsoft 強調「整個循環」的方向。提早收到可修正的文字，確實讓系統有機會平行準備下一步；Artificial Analysis 的公開結果也支持這款模型在其串流轉錄測試中的領先位置。對以轉錄為瓶頸的應用，這是有實質意義的候選升級。

我存疑的是從單一榜單跳到「最佳語音 Agent」的推論。字錯率主要回答文字與標準答案差多少，沒有評估工具是否做對、對話能否被打斷、說話者改口時是否撤回行動，也沒有替各語言提供同等證據。榜單中的部分逐字稿又取自語音結束後，因此不能拿它當作句中操作安全性的證書。

還有一個實務邊界：Azure Speech SDK 文件將 MAI-Transcribe-2-Streaming 標為公開預覽，註明沒有服務等級協議，且不建議用於正式生產工作負載。若產品依賴穩定性承諾，現階段應把它放在受控測試與備援設計中評估。

現在最值得做的三項驗收

• 分清暫定與固定文字：記錄部分逐字稿被改寫的次數，讓不可逆動作只接收穩定意圖。
• 量整圈而非單點：把轉錄、推理、工具與語音播放的時間和失敗率放進同一條 Trace。
• 使用自己的語料：納入口音、雜音、插話、改口、專有名詞及目標語言；再比較舊模型與新模型的任務完成率。

若你的工作是做配音而非即時對話，可接著看Eleven v4 Turbo 的表情與延遲分析，避免把語音表現的不同指標混成一個「更好」。