微軟推出首款自研即時串流語音轉錄模型，100 毫秒開始輸出、支援 60 種語言

微軟持續強化自研 AI 模型的布局。微軟 AI 部門（Microsoft AI，MAI）推出首款自研的即時串流語音轉錄模型 MAI-Transcribe-2-Streaming。這款模型支援 60 種語言，並能持續自動偵測語言，在收到音訊後約 100 毫秒就能開始輸出初步的轉錄內容。同一天，微軟也更新了文字轉語音模型 MAI-Voice 系列。

語音轉錄是將說話的聲音轉換為文字的技術，應用範圍相當廣泛，包括會議記錄、即時字幕、語音助理、客服系統與無障礙服務等。所謂即時串流轉錄，是指模型能在說話者講話的同時，即時產生對應的文字，而不需要等整段話說完才開始處理。100 毫秒的延遲相當短，代表使用者幾乎能在說話的同時看到文字出現，這對即時字幕與語音互動等應用至關重要。

支援 60 種語言及持續自動語言偵測，是這款模型的另一個亮點。在多語言的會議或對話中，說話者可能在不同語言之間切換，模型能自動辨識當下使用的語言並正確轉錄，不需要使用者事先設定。這對跨國企業與多語言環境的使用者相當實用。

業界分析人士指出，微軟推出自研語音模型，反映出其在 AI 策略上逐步建立自主能力的方向。微軟長期與 OpenAI 有深度合作，但近年也積極發展自家的 AI 模型，以降低對單一合作夥伴的依賴，並在特定領域打造差異化的能力。語音是人與 AI 互動的重要介面，微軟的 Teams、Copilot 等產品都需要高品質的語音處理能力，自研模型能讓微軟更好地整合與優化這些產品。

對產業的影響方面，高品質的即時語音轉錄模型，將提升線上會議、客服與無障礙服務的體驗。語音 AI 市場的競爭也日益激烈，各大科技公司與新創都在這個領域積極布局，蘋果 AirPods 的即時翻譯、Google 的語音助理，都是語音 AI 應用的代表。

展望後續，市場將關注 MAI-Transcribe-2-Streaming 在微軟產品中的整合進度、實際的轉錄準確度，以及微軟後續是否推出更多自研 AI 模型。