微软首款全双工AI语音模型MAI Realtime开启测试，支持中文等16种语言

微软正在内部测试一款名为MAI Realtime的原生实时语音模型，这是该公司首次推出具备全双工能力的自研AI语音产品。科技媒体TestingCatalog于8月2日率先披露了这一消息。所谓全双工语音，是指系统可在同一时间接收用户语音并输出回复，无需等待一方完全说完，依靠端点检测技术识别说话的开始、停顿与结束，并在用户插话时动态调整输出内容。

在语言支持方面，MAI Realtime覆盖16种语言，包括英语、中文、日语、韩语、德语、法语、西班牙语、意大利语、葡萄牙语、荷兰语、印地语、印度尼西亚语、阿拉伯语、俄语、土耳其语和越南语。用户可以手动指定对话语言，也可以启用自动检测模式，模型还支持在对话进行中途自动识别并切换语言，适应多语言混用场景。

语音风格方面，当前测试版本提供Victoria和Grant两种预设音色，据报道两者均比Copilot现有语音模式听起来更加自然。值得注意的是，MAI Realtime的定位明确为对话系统，不支持唱歌或生成非语音音效，功能边界清晰。这与微软此前发布的MAI-Voice-2语音合成模型及MAI-Transcribe-1.5语音识别模型均有所不同，后两者均为单向处理模型。

测试层面，微软已向部分合作伙伴发出邀请，在MAI Playground平台上对该模型进行封闭测试。平台配备了调试面板，可实时显示延迟数据、模型的思考内容以及各处理步骤，为开发者提供较为透明的调试环境。样本分享功能目前尚未对外开放，预计在测试权限扩大后才会向更多平台用户提供。

目前外界尚不清楚MAI Realtime何时会正式上线Microsoft Foundry，也不清楚其何时会被集成到Copilot的语音功能中。微软此前在MAI系列模型上的布局以单向能力为主，此次推出全双工模型标志着其在实时语音交互领域迈出了关键一步，也意味着微软正在加速追赶OpenAI实时语音API等竞品在自然对话体验上的优势。

要点

• MAI Realtime是微软首款全双工AI语音模型，可同步接收和输出语音，无需轮流等待，对话体验更接近真实人际交流。
• 模型支持包括中文在内的16种语言，支持手动指定或自动检测语言，并可在对话中途切换，适应多语言使用场景。
• 当前测试提供Victoria和Grant两种语音风格，定位为对话系统，不支持唱歌或非语音音效生成。
• 测试目前仅向受邀合作伙伴开放，正式上线Microsoft Foundry及集成至Copilot的时间表尚未公布。
• 此前微软MAI系列均为单向模型，MAI Realtime的推出标志着微软在实时语音交互能力上的重要跃升。