Transcribe(语音转写)指将语音音频自动转换为文字的技术,当前主要由大模型驱动的语音识别 API 提供,是语音智能体、会议记录、字幕生成等应用的基础能力,近期正成为各大 AI 公司竞逐的焦点赛道。
语音转写模型近期进展
当前焦点与观察点
语音转写(transcribe)赛道的竞争正在从“能否转”转向“转得又准又快”。微软 MAI-Transcribe-2 主打流式实时识别的准确率领先,而 Mistral Voxtral 3 则走一体化路线,把转写、TTS 和语音智能体 SDK 打包提供,并强调 50+ 语言的多语言覆盖,两者的差异化策略值得对比观察。
第二个焦点是基准评测的话语权。目前 Artificial Analysis 的语音转写榜单和 David AI 基准被厂商频繁引用作为宣传依据,但不同榜单的测试集与指标并不一致,开发者在选型时应结合自身语言、口音和延迟需求自行验证。
第三个观察点是商业模式:转写 API 正在与 OpenRouter 等聚合平台打通,同时被嵌入语音智能体工具链中。随着 Mistral 等公司推进开源语音模型,转写能力的价格可能进一步下探,闭源与开源方案之间的权衡将成为后续争议点。