根据微软于2026年10月26日发布的公告,Azure AI Speech LLM 09-2026 已通过 Fast Transcription API 推出。此次更新重点扩展多语种识别能力,并改善识别质量、处理速度和静音音频处理表现。更新由微软在服务端部署,客户无需迁移现有应用或手动切换模型。
语言覆盖范围进一步扩大
LLM Speech 09-2026 新增了25种语言。官方明确列出的新增印度语言包括阿萨姆语、孟加拉语、古吉拉特语、卡纳达语、马拉雅拉姆语、马拉地语、奥里亚语、旁遮普语、泰米尔语、泰卢固语和乌尔都语;其他新增语言包括加泰罗尼亚语、马来语和威尔士语。更新后,服务共支持50种语言、60多个语言与地区组合,并可处理同一段音频中的多语种内容,以及英式英语、美式英语和印度英语等地区变体。
模型默认采用多语种模式。开发者可以省略语言与地区提示,由模型根据音频内容自动选择;确认音频确实只包含一种语言时,再指定 locale,以改善识别准确率并缩短处理时间。locale 更适合作为识别提示,不应被用于强制判定混有多语种的对话。
识别质量与处理效率同步改进
微软内部评测显示,与 2607 版本相比,LLM Speech 09-2026 的词元错误率(Token Error Rate)指标改善最高可达25%,实体错误率(Entity Error Rate)指标改善最高可达37%。评测覆盖内部及公开基准,包括 GigaSpeech 和 VoxPopuli;官方特别提到,金融场景中与 earnings 相关的实体识别获得改进。这些幅度属于厂商评测结果,并非对所有音频、语言和业务场景的固定保证。
微软表示,新版本处理速度最高可达到 2607 版本的2倍。该收益主要体现在5至10秒短音频及高并发、多路音频流同时处理的场景,更适合需要快速返回转写结果的实时或高吞吐量工作负载。
针对静音和空音频,模型减少了将无内容音频识别为有效语音的情况。微软称,这有助于降低幻觉式输出,让下游字幕、检索和业务分析获得更干净的结果。
开发者可通过 REST API 使用增强能力
调用转写端点时,可将音频文件与配置放在 multipart/form-data 请求中,并按需启用说话人分离、短语列表、语言与地区列表、脏词过滤和声道配置。短语列表最多支持2,000个短语,适合加入产品名、缩写、人名及行业术语。
curl --location 'https://<YourResourceName>.cognitiveservices.azure.com/speechtotext/transcriptions:transcribe?api-version=2025-10-15' \
--header 'Content-Type: multipart/form-data' \
--header 'Ocp-Apim-Subscription-Key: <YourSpeechResourceKey>' \
--form 'audio=@"YourAudioFile.wav"' \
--form 'definition={
"enhancedMode": {
"enabled": true,
"task": "transcribe"
},
"diarization": {
"enabled": true,
"maxSpeakers": 2
},
"phraseList": {
"phrases": ["Kenichi Kumatani", "John McDonough"]
},
"locales": ["en-in", "gu-in", "en-us"],
"profanityFilterMode": "Masked"
}'
适用场景与实际边界
此次更新主要面向语音代理、会议转写、联络中心分析、媒体字幕以及多语言内容处理。官方给出的场景示例是一段对话中可能依次出现英语、西班牙语并返回英语;另一示例涉及阿拉伯语、印地语和印度英语混合的临床沟通。这些示例用于说明功能范围,并不代表所有行业都已获得相同准确率或性能收益。
实际部署时,应根据具体语言、音频质量、并发量和术语情况评估效果。厂商给出的错误率与速度数据来自其测试环境,不能直接视为生产环境承诺;开发者仍需核对最新的语言和 locale 支持列表,并通过自有测试数据验证业务关键场景。
资料来源:Announcing Azure AI Speech LLM 09-2026: Broader locale support(2026-10-26)。
一起聊聊
留下你的想法,评论审核通过后展示。