2026 年 10 月 1 日，微软 AI 在官方博客发布了首款流式转录模型 MAI-Transcribe-2-Streaming，并同步推出语音合成模型 MAI-Voice-2.1 和它的快速版 MAI-Voice-2.1-Flash。三款模型即日起可通过 Microsoft Foundry 构建语音智能体，微软还在 MAI Playground 上线了把三者串起来的实时演示 Chatter。对做语音产品的团队来说，微软这次补上的是对话里最卡时间的两头：听清用户说什么，和立刻开口回应。
流式转录不再等整句说完
MAI-Transcribe-2-Streaming 的工作方式和批量转录不同：音频还在流入，它就开始给出初步结果，收到音频后 100 多毫秒便产出第一版转写，随后随上下文不断修正，话音落下时立即定稿。微软称它在 Artificial Analysis 的最终转写与中间转写两项准确率上都排第一，在准确率与延迟的权衡曲线上也处在前沿位置。模型支持 60 种语言并能连续自动检测语种，实时听写和字幕场景下，微软内部评测显示单词出现在转写里的速度约为最接近竞品的 2 倍。价格是年底前每小时音频 0.54 美元的优惠定价。
两款语音模型，一款管像人，一款管快
MAI-Voice-2.1 主攻多语言同声线：支持 23 种语言、26 个地区变体，同一个声音切换语种时保留母语级口音，而不是把一种口音硬套到所有语言上，定价每百万字符 22 美元。Flash 版面向高并发和低延迟：能生成 45 秒音频，端到端延迟约 150 毫秒，推理速度比上一代快 55%，价格降到每百万字符 15 美元。两款模型都能用几秒钟的参考音频克隆声音，覆盖全部支持的语言，微软同时强调内置了知情同意类的防护机制，防止声音被滥用克隆。
语音智能体的瓶颈被往前推了一格
微软把语音智能体描述为一个循环：听、理解、决策、开口，四步都必须塞进用户还能感到“在对话”的时间窗里。转录先出中间结果，智能体可以在用户说完之前就开始推理和调用工具；回复端再用 Flash 压延迟，两头省下的时间留给中间的模型思考。这对客服坐席、多语言助手、互动教学这类场景是实打实的体验差别。接下来值得看的是两点：0.54 美元的转录价格在年底优惠结束后会定在多少，以及声音克隆的防护机制在真实滥用面前是否够用——这两点会直接决定团队敢不敢把这套模型放进面向公众的产品。
