微软终于出手了。10 月 1 日，微软 AI 团队一口气发布三款语音模型：MAI-Transcribe-2-Streaming、MAI-Voice-2.1 和 MAI-Voice-2.1-Flash。其中最引人注目的是前者——这是微软首个流式语音转写模型，发布即登上 Artificial Analysis 准确率双榜第一，官方还放出了「文字出现速度比最接近的竞品快 2 倍」的内部评测数据。

语音智能体这条赛道此前一直被 AssemblyAI、Deepgram、OpenAI 等厂商把持，微软虽然坐拥 Azure 语音服务和 Copilot 的海量语音场景，但在「自研前沿语音模型」这一环始终缺位。这次的三件套补上了短板：一个管「听」，两个管「说」。

一、MAI-Transcribe-2-Streaming：边说边出字，100 毫秒出第一版

传统语音转写是「等你说完再转」，流式转写则是「边说边转」。MAI-Transcribe-2-Streaming 在收到音频后仅 100 毫秒出头就返回第一版假设结果（官方称为 partials），随后随着上下文滚动不断修正，并尽快提交稳定文本。

这个特性对语音智能体意义重大：不需要等用户说完一句话，智能体就能在句子中途开始推理、调用工具。官方给出的数据包括：

  • 支持 60 种语言，自动且持续检测语种切换；
  • 在 Artificial Analysis 的最终转写和部分转写两个准确率榜单均排名第一；
  • 在准确率-延迟评估中处于帕累托前沿，即「更快不以牺牲准确率为代价」；
  • 内部评测显示，在实时听写和字幕场景下，文字出现速度比最接近的竞品快 2 倍；
  • 定价 0.54 美元每小时音频（年内 introductory 价）。

二、MAI-Voice-2.1：一个声音说 23 种语言，母语级口音

MAI-Voice-2.1 是微软目前最强的多语言文本转语音模型，支持 23 种语言、26 个地区口音。它的核心卖点是「跨语言同声」：同一个声音先说英语、再说中文、再说德语，声音辨识度保持一致，而且每种语言都是地道口音，不是把一种口音硬拖到另一种语言里。

对做产品的团队来说，这意味着品牌可以只录制一个声音，就在所有语种使用：家教应用可以在课程中途切换语言而不换「老师」，多语言助手用什么语言被提问就用什么语言回答，听起来始终是同一个人。定价为每百万字符 22 美元。

三、MAI-Voice-2.1-Flash：为大流量低延迟场景而生

Flash 版支持与 2.1 相同的语言和跨语言音色，但专为高并发、延迟敏感的工作负载优化：端到端延迟仅 150 毫秒，可生成 45 秒音频，推理速度比上一代快 55%，价格约为同类模型的六折，每百万字符 15 美元。

四、真正的杀手锏是「闭环」

官方在公告里强调了一个概念：语音智能体是一个循环——听、理解、决策、说，全部要在人类感觉「这是对话」的时间窗内完成。每个环节要么帮你省时间，要么花时间。

把 MAI-Transcribe-2-Streaming 和 MAI-Voice-2.1-Flash 配对使用，等于在「听」和「说」两端同时省出时间，把中间的预算留给模型的推理和工具调用。这是三件套一起发布的逻辑：不是一个模型，而是一套语音智能体的完整积木。

两款 Voice 模型均支持只用几秒参考音频就跨所有支持语言克隆音色，同时内置了同意校验护栏防止滥用——这是当前语音克隆赛道普遍关注的安全点。

五、开发者怎么用

目前三个模型可通过 Microsoft Foundry、MAI Playground、Vercel 获取，两款 Voice 模型还上线了 OpenRouter，LiveKit 和 Azure Voice Live 支持即将到位。官方还在 MAI Playground 上线了名为 Chatter 的演示，可以直观看到三件套驱动的实时语音智能体效果。

写在最后

10 月 1 日堪称「语音日」：微软三件套之外，Decagon 发布了面向客服的语音模型 Chord，Cactus 放出了 16.9MB 的端侧识别模型 Whistle。语音交互正在从「能听懂」进化到「实时接得住」，而微软选在最卷的时候带着全栈积木进场，价格还压到了同类六折——对开发者来说，语音智能体的成本门槛又降了一截。