微软发布MAI语音新模型 实时转写百毫秒出字
报价宝综合消息微软发布MAI语音新模型 实时转写百毫秒出字
微软AI团队发布两款新模型：实时转写模型MAI-Transcribe-2-Streaming和语音合成模型MAI-Voice-2.1，主打低延迟，瞄准正在兴起的语音智能体场景。
MAI-Transcribe-2-Streaming在第三方评测机构Artificial Analysis的准确率榜排名第一，支持60种语言，首批部分转写结果可在100毫秒出头时给出——微软称这让语音智能体可以在用户话没说完时就作出响应。年底前每小时音频的尝鲜价为0.54美元。
语音合成方面，MAI-Voice-2.1可用同一种音色讲23种语言，且每门语言都带母语口音；其Flash版本延迟低至150毫秒，价格从每百万字符22美元降到15美元。两款语音模型只需几秒钟参考音频即可克隆声音，官方称内置了防滥用安全机制。
在一次约4000人参与的测试中，约一半参与者以为听到的声音出自真人。两个模型已通过微软Foundry和MAI Playground提供，语音模型还登陆了OpenRouter平台。
随着客服、翻译和语音助手对延迟的要求越来越苛刻，转写与合成的毫秒级比拼正成为大模型厂商的新战场，微软试图用自研MAI系列在OpenAI等对手之外建立独立的语音能力。
编译自 the-decoder，原标题："Microsoft AI releases new transcription and text-to-speech models for voice agents"
