微软 MAI 发布首个流式语音转写模型 MAI-Transcribe-2-Streaming，并推出 MAI-Voice-2.1 与 Flash 版

这件事意味着什么

【要点】

微软 MAI（Microsoft AI）10 月 1 日发布首个流式语音转写模型 MAI-Transcribe-2-Streaming，同时推出两款语音生成模型 MAI-Voice-2.1 和 MAI-Voice-2.1-Flash。

MAI-Transcribe-2-Streaming 支持 60 种语言，能连续自动识别语种；收到音频约 100 毫秒后就给出第一版识别结果，再随上下文修正。官方称它在 Artificial Analysis 的流式转写评测中，最终结果和中间结果的准确率都排第一。年底前优惠价为每小时音频 0.54 美元。

MAI-Voice-2.1 支持 23 种语言、26 个地区，同一个声音切换语言时保持原声并带本地口音，价格每百万字符 22 美元。Flash 版面向高并发、低延迟场景，端到端延迟约 150 毫秒，每百万字符 15 美元。两款语音模型都能用几秒参考音频克隆声音，官方称内置了同意校验，防止滥用。

三款模型可通过 Microsoft Foundry、MAI Playground、Vercel 和 Azure Voice Live 使用，两款语音模型也上线了 OpenRouter。

【可核验】

官方发布：https://microsoft.ai/news/our-first-streaming-transcription-model/

「出字速度是最接近对手的 2 倍」来自微软内部评测；榜单名次以 Artificial Analysis 页面为准。X 上的相关讨论集中在发布后两天（10 月 3 日约 97 条），之后逐日回落。

【我们的判断】

1. 微软在把语音 Agent 的「听、想、说」三段都换成自家模型。转写和发声都由 MAI 提供，Azure 客户做电话客服一类的 Agent，可以不再另找语音供应商，这对专做语音的公司是直接压力。

2. 真正有用的是中间结果。百毫秒级的初稿让 Agent 在用户说完之前就开始推理、调用工具，省下的时间可以留给思考，而不是让对话卡顿。

3. 但何时该接话、何时只是停顿，官方没有给出轮次判断方面的数据。延迟再低，接错话一样破坏体验，这部分开发者还得自己补。