微软发布实时转录与语音合成新模型，专为语音智能体设计

微软AI于2026年10月正式发布MAI-Transcribe-2-Streaming，这是一款面向实时场景的流式语音转录模型。该模型支持60种语言，能够在音频输入后约100毫秒内返回首批部分识别结果，在业界权威评测平台Artificial Analysis的准确率排行榜上位列第一。微软表示，这一响应速度使语音智能体可以在用户尚未说完整句话时便开始处理并准备回复，从根本上改善了人机对话的自然度。

在定价策略上，微软为MAI-Transcribe-2-Streaming设置了具有竞争力的入门价格：在2026年底之前，每小时音频的转录费用为0.54美元。这一定价旨在吸引企业和开发者在语音智能体、客服系统、会议记录等场景中快速落地，同时也反映出微软在语音AI基础设施领域加速布局的战略意图。

配合转录模型，微软同步推出了两款文字转语音模型。MAI-Voice-2.1的核心亮点在于多语言原生口音支持——它能够以23种语言进行发音，且每种语言均采用该语言的母语口音，而非带有外语腔调的机械合成音。这对于需要在多个市场部署本地化语音服务的企业而言具有重要价值。

轻量版MAI-Voice-2.1-Flash则在速度和成本上进一步优化：延迟低至150毫秒，每百万字符收费15美元，相比标准版的22美元降低约32%。两款语音模型均具备声音克隆能力，仅需数秒的参考音频即可复制特定声音特征，同时内置安全防护机制以防止声音被恶意滥用，例如伪造他人声音进行欺诈等场景。

在真实性测试中，微软邀请约4000名参与者对合成语音进行判断，结果显示近半数人认为所听到的声音属于真人，这一数据表明当前语音合成技术已达到相当高的自然度水平。所有新模型均已通过Microsoft Foundry和MAI Playground开放访问，两款语音模型还同步上线OpenRouter平台，方便开发者在不同生态中灵活调用。

要点

• MAI-Transcribe-2-Streaming支持60种语言，首帧延迟约100毫秒，在Artificial Analysis准确率榜单排名第一，年底前每小时音频定价0.54美元
• MAI-Voice-2.1支持23种语言并以各语言母语口音发音，Flash版延迟150毫秒、每百万字符收费15美元，较标准版降价约32%
• 两款语音模型均支持数秒音频克隆声音，并内置防滥用安全机制，约半数测试者无法区分合成声音与真人声音
• 上述模型已通过Microsoft Foundry、MAI Playground及OpenRouter等多平台开放，覆盖主流开发者生态