微軟 AI 部門（Microsoft AI）10月1日推出三款新模型：首款自研即時串流語音轉錄模型 MAI-Transcribe-2-Streaming，同兩款文字轉語音（text-to-speech，將文字轉做語音）模型 MAI-Voice-2.1 同 MAI-Voice-2.1-Flash，喺 Microsoft Foundry 提供公開預覽。呢組模型定位係可以即時對話嘅語音代理（voice agent），目標係縮短互動等待時間。
串流轉錄即係喺音訊持續傳入時同步產生可修正嘅部分轉錄，再逐步確認最終文字。MAI-Transcribe-2-Streaming 支援60種語言，有自動連續語言偵測；收到音訊後約100毫秒內先產生初步辨識結果，之後隨後續語音持續修正，待發話結束先輸出穩定版。呢個機制令語音代理可以喺使用者未講完前就開始推理或者呼叫工具。
據 Artificial Analysis 嘅即時串流語音辨識評測，MAI-Transcribe-2-Streaming 喺最終轉錄同部分轉錄結果嘅準確度均排名第一，喺準確度與延遲嘅綜合評估亦位居前段。微軟話呢係佢哋首款自研串流轉錄模型——此前已有 MAI-Transcribe-2，今次係將自研語音辨識能力延伸到即時串流場景。計費方面，年底前有每小時音訊0.54美元嘅導入價。
文字轉語音方面，MAI-Voice-2.1 主打更自然、有表現力嘅多語言輸出，支援23種語言、26個地區，可以喺切換語言時維持同一聲線同近母語口音。高速版 MAI-Voice-2.1-Flash 專為高頻、低延遲場景設計，約150毫秒點到點延遲可產生最多45秒音訊，速度更快、價格較低，適合語音助理、客服等大量即時應用。
兩款 Voice 模型都支援用數秒參考音訊複製特定聲音，但微軟話需經審核授權，而且只能用已獲取本人同意嘅聲音。計費方面，MAI-Voice-2.1 每100萬字元22美元，Flash 版15美元。
除 Microsoft Foundry 外，仲可經 MAI Playground、Azure Voice Live、Vercel 同 OpenRouter 等平台使用；微軟喺 MAI Playground 展示咗結合三款模型嘅語音代理示範「Chatter」。微軟表示，今次更新係擴充 MAI 音訊產品線，目標提供開發者更快、更自然嘅即時語音互動工具。
背景上，即時串流語音辨識已廣泛用於語音代理、即時字幕同語音輸入等應用，OpenAI、Google、Deepgram、ElevenLabs 等業者皆提供相關模型，各家競爭重點喺轉錄準確度同延遲表現。
阿調搞兩下：呢組模型賣嘅核心係「快」同「自然」——100毫秒先出初步結果、150毫秒產出語音，用户未講完 AI 已經開工，呢個係實打實嘅產品差異，唔係口號。不過聲音複製就係另一回事。就算微軟話「需經審核授權」同「限本人同意」，同意機制點樣落地、審核邊個做、錄音數據交畀邊個，都係用户應該問嘅。你畀人錄你聲音，邊個揸住個掣？呢個係阿調每次見到聲音複製都會追嘅問題。
阿調｜深度調教
