首字 0.13 秒、词错率 2.50%：实时语音转写的竞争点已经换位置了
语音转写的竞争，正从「准不准」转向「多久出第一个字」。
微软发布首个实时流式语音转写模型 MAI-Transcribe-2-Streaming，支持 60 种语言与自动语言检测，可在讲话进行时持续输出文字；按 Artificial Analysis 的口径，它以 2.50% 的词错误率和 0.13 秒延迟居首。把这两个数字放在一起看才是重点：低延迟不再靠牺牲准确率换取，流式方案的「体感代价」正在被抹平。
为什么 0.13 秒比 2.50% 更重要
- 这是交互形态的分水岭。 分段转写要等一句话结束才出结果，用户会感到停顿；流式转写让字幕、会议纪要、语音助手都能「边说边有」，改变的是产品形态，而不只是指标。
- 它是语音 Agent 的前置条件。 一个能被打断的语音助手，必须先知道自己「听到哪了」。转写延迟压到百毫秒级，语音活动检测与打断判断才有发挥空间。
- 60 种语言加自动检测，拆掉了一道配置门槛。 多语会议不再需要提前指定语言，对跨国团队的会议记录是实质性减负。
流式为什么更难做
分段转写可以先拿到完整句子再解码，流式只能在信息不完整时不断输出、并允许自我修正。这意味着三件事同时变难：
- 右侧上下文缺失。 每输出一个字，模型能看到的后续内容就更少，同音词与专有名词最容易出错。所以词错误率的提升往往来自更好的上下文管理，而不是更大的模型。
- 算力要预留。 流式请求会持续占用推理资源，单位成本高于批处理；把它当成「同样价格换个接口」会算错账。
- 纠错策略变成产品决策。 已经上屏的文字要不要改回去？改得太频繁字幕会跳动，不改又会留下错误。这不是模型问题，而是体验取舍。
选型怎么改
过去评估转写服务看词错误率就够了；现在建议把首字延迟和断句稳定性一起写进验收指标，用同一段带犹豫、带口音、带中途改口的真实录音做对比测试。存量分段方案不必急着替换，但会议纪要、客服质检这类场景可以直接试点流式，收益最直观。
指标领先不等于体验领先。真正要测的是：人说话与字幕出现之间的那段时间，用户能不能感觉出来。