关于本文
本文采用生成式人工智能辅助的自动生成流程制作。基于微软人工智能与微软学习中心 2026 年 10 月 1 日的官方信息，梳理 MAI-Transcribe-2-Streaming 的提供状态及实施时的核对要点。未执行 API。验证状态：📘 已确认微软官方第一手信息，未执行 API
信息确认日期：2026 年 10 月 2 日。
微软人工智能发布了 MAI-Transcribe-2-Streaming。该模型无需等待说话者结束发言，即可返回临时的部分转写（partial transcript），并不断更新为最终结果。
新功能有哪些
微软介绍，该模型支持 60 种语言，并在接收到语音后 100 毫秒多一点的时间内返回首个部分转写。微软学习中心展示了一种架构：通过 WebSocket 持续发送音频流，并接收 intermediate（中间）、delta（增量）和 completed（完成）事件。
不过目前处于公开预览版
微软学习中心明确指出，目前处于公开预览版，不提供服务等级协议（SLA），且不建议用于生产工作负载。单个会话最长为 1 小时。使用该服务需要微软 Foundry 资源和模型部署。
关于可用区域，瑞典中部（Sweden Central）、美国中部（Central US）和印度南部（South India）显示为可用，美国东部 2 区（East US 2）则显示即将推出。即使服务支持全局访问，也需要确认处理区域。
管理员和开发人员当前需要确认的事项
切勿直接将预览版投入业务生产环境
音频数据的存储与传输方针
Entra 承载令牌（bearer token）或 API 密钥的管理
在应用端避免混淆部分结果（partial）与最终结果（final）
区域、配额与会话上限
不仅要评估延迟，还要用实际数据评估错误识别率
价格
微软人工智能宣布，在 2026 年底之前，作为推出优惠价，每小时语音收费 0.54 美元。未来价格需要另行确认。
