10月1日，微軟一次過推出三項新MAI模型：頭一號係佢哋首個流式（streaming，即逐段即時處理）語音轉寫模型 MAI-Transcribe-2-Streaming，另外兩個係語音合成（text-to-speech，文字變語音）模型 MAI-Voice-2.1 同 MAI-Voice-2.1-Flash。微軟指呢批模型係俾開發者做語音代理（voice agent，即聽人講、即時回應嘅AI）用，目標係做到似人類傾偈嗰種即時感。
MAI-Transcribe-2-Streaming 透過 WebSocket（一種網頁即時通訊協議）接收人聲，邊聽邊轉，文字逐句更新；講者講完，模型先確認呢份轉寫係最終版。微軟話呢樣嘢可以驅動實時字幕，甚至喺用户未講完之前就開始處理佢嘅請求。
規格方面，呢個模型支援60多種語言，自動偵測對方講緊乜語言，平均320毫秒內出第一個轉寫假設。微軟話明唔保證每個情境都做到呢個速度，因為回應快慢亦受網絡連線，以及負責生成回覆嘅AI系統影響。定價每小時音頻54美分。
貴有貴嘅原因：上月微軟先推出非流式版本 MAI-Transcribe-2，每小時只收10美分，平過流式版本五倍以上。流式版本要做多得幾唔si嘅處理，故成本高。
阿調搞兩下：320毫秒出字，即「你講到一半，佢已經處理緊」，呢個係廠商數據，冇獨立評測。真正要問嘅，唔係快幾毫秒，係你對住呢啲代理講嘅嘢，音頻流去邊、邊個攞住、會唔會俾人拿去做訓練。呢個先係值得盯住嘅位。
阿調｜深度調教
