AI 日報｜Microsoft 發佈 MAI 流式轉錄與語音模型：讓語音 Agent 更快接上對話

語音服務是否好用，很大程度取決於等候時間。Microsoft 在日期標示為 10 月 1 日的公告中，推出 MAI-Transcribe-2-Streaming 及 MAI-Voice-2.1 系列，將即時聆聽與語音回應放在同一個產品方向中。

今次更新了什麼？

根據 Microsoft AI 官方介紹，轉錄模型可以在語音仍持續輸入時提供初步文字，並隨後續內容修正，再提交穩定結果。公告同時推出 MAI-Voice-2.1 和其 Flash 版本，用於語音生成。

這種初步轉錄稱為 partial transcript。它可讓畫面較早顯示字幕，或讓語音 Agent 提早準備回應；但初步文字仍可能改變，不能把每次出現的文字都當成最後確認的指令。

流式轉錄可以改善哪些工作？

DEPTAI 分析： 在客服查詢中，系統可以一邊聆聽一邊準備搜尋資料。當客戶說完並確認內容後，再執行需要準確資料的步驟。即時字幕也可以先顯示 provisional 內容，讓使用者知道系統仍在處理。

例如客戶說「我想改到星期五……等等，星期六先得」，Agent 可以準備查詢可用時段，但不應在第一次聽到星期五時便完成改期。快回應與正確執行，需要分別設計。

香港團隊應怎樣驗證？

我們建議使用獲准作測試的本地錄音，涵蓋廣東話、英文產品名稱、日期、金額和電話號碼。先核對官方支援範圍，再實際測試；本次研究未完成香港廣東話及混合語言的音訊驗證。

測試應記錄第一段字幕多久出現、文字何時穩定，以及重要欄位是否正確。若用於語音 Agent，還要觀察客戶打斷系統、途中改口和背景噪音時，對話是否能自然繼續。

初步試行可先做會議或客服紀錄的即時草稿，讓同事覆核姓名、數字和待辦。當資料可靠後，再考慮連接預約查詢等工具。涉及更改紀錄的動作，應等待必要欄位確認。

DEPTAI 觀點

流式語音讓 AI 更接近即時對話，但使用者最終感受到的是整個流程：有沒有聽清楚、是否等得合理，以及工作有沒有完成。企業應以實際來電或字幕場景評估，避免只看模型速度。

需要設計語音試行或員工應用，可了解 DEPTAI 培訓，把語言測試和工作驗收一併規劃。

資料來源

• 選題線索：AIHOT AI 日報（2026-10-02）
• 原始公告：Microsoft AI：Our first streaming transcription model debuts at no. 1 on Artificial Analysis。頁面日期為 10 月 1 日，香港時間為 10 月 2 日。