打电话改快递时间，你说“帮我把明天的配送改到”，停了一下，又补上“下周一上午”
如果语音助手一直没有反应，你可能以为它没听见，又把整句话重复一遍 如果它听到“明天”就开始修改订单，麻烦会更大
自然的对话需要一种分寸，听的时候就开始准备，真正要办事时再确认你说完整了什么
微软在 10 月 1 日公布的新语音模型，正围绕这段等待做改进 其中的 MAI-Transcribe-2-Streaming 可以持续接收声音，在人还没说完时给出文字，再随着后续内容修正
字幕先出现，答案还可以改
把声音边接收边转成文字，叫作流式转写 它像一位随时修改草稿的速记员，先记下听到的部分，等后半句话到来，再确定前面的意思
这项技术已有多种实现，微软这次更新提供的是一套新的模型和接入能力，不能把流式转写当成刚被发明的东西
它返回的文字分成临时结果和最终结果 临时结果负责让字幕及时出现，最终结果确认一段语音的识别内容 后续音频到来时，屏幕上尚未确认的文字可能变化
微软介绍，新模型支持 60 种语言，并能自动检测语言 但“支持中文”只说明服务能处理这类输入，不保证它在你的口音、背景噪声和专业词汇上都识别准确
浅色文字是临时结果，确认后的片段才进入正式记录
把等待挪到你说话的时候
对实时字幕来说，收益很直接 你在讲课，屏幕上的文字可以跟着出现，听众不必等你讲完一大段才看到内容
语音助手则多了一种安排工作的方式 听到“帮我查一下这笔订单”，应用可以先准备查询 等日期、订单号等信息补齐，再核对是否查对了对象
这里需要区分两件事 转写模型把声音变成文字，负责判断和查订单的，是应用接上的其他能力 单独调用这个模型，并不会得到一个能替你办事的客服
微软同时推出了 MAI-Voice-2.1 和 MAI-Voice-2.1-Flash，两者把文字转成语音，后者侧重响应速度 这让开发者能分别选择“听”和“说”的部件
整个对话仍要经过网络传输、理解请求、查找信息和播放回答 某个部件更快，只能缩短其中一段，不能据此承诺用户每次都能立刻收到回复
先准备，最后确认
回到改快递时间的例子 你说到一半，系统可以打开订单资料，准备可选的配送日期 修改订单之前，还要确认你补充的时间
如果你随后说“算了，不改了”，前面查到的资料仍有用，已经提交的修改却可能需要撤回 所以临时识别结果更适合推动查询和准备，涉及提交的动作要等待明确指令，并按任务需要交给用户确认
查询可以先准备，修改要等完整信息和确认
同样的分寸也适合会议和口述笔记 发言中的“预算十五万，刚才说错了，是五十万”，应该让正式记录保留修正后的意思，而不是把最早出现的字幕当成定论
课程字幕、客服查询和语音笔记，是这类能力可以进入的场景 它们能否好用，还取决于应用怎样处理临时文字、停顿和修正
现在还需要一个应用把它接起来
截至 10 月 3 日，微软的使用说明把实时转写列为公开预览，暂不提供服务等级保障，也不建议用于生产工作负载
它面向有 Azure 订阅、能部署和接入模型的开发者 普通用户还需要使用接入这项能力的应用，不能把模型发布理解成手机里的语音助手已经自动升级
功能也有取舍 当前接入文档说明，返回结果不包含逐词时间标记和置信度分数 想逐字定位录音，或判断哪几个词最可能听错，需要另外评估方案
云端转写还会把声音发送给服务处理 用在会议或客户电话前，要确认参与者知情，以及应用如何保存录音和文字
试用时，故意说错一次
想判断一款实时语音应用是否适合自己，可以录一段不含私人信息的短音频，放进日期、数字和熟悉的专业词，中途停顿，再纠正一处内容
看字幕多久出现只是第一步 更值得看的是修正有没有被保留、最终记录是否准确，以及你尚未说完时，应用有没有擅自执行动作
语音 AI 的体验会在这些细节里拉开差距 回到那通快递电话，好的助手应当让你知道它听见了，也给你把话说完的余地