Microsoft MAI-Transcribe-2-Streaming 实时转写与 MAI-Voice-2.1 语音模型
Microsoft AI 于 2026 年 10 月 1 日发布首款流式转写模型 MAI-Transcribe-2-Streaming，以及两款文本转语音模型 MAI-Voice-2.1 与 MAI-Voice-2.1-Flash，官方称三者均通过 Microsoft Foundry 提供。
工具概览
功能、使用步骤与常见问题见下方
功能特点
- ✓ 支持 60 种语言的低延迟实时转写并自动、持续检测语言：官方称其在收到音频后 100 毫秒出头即可给出首个部分转写结果（partials）
- ✓ 官方称其最终与部分转写在 Artificial Analysis 上均排名第一，并在准确率对延迟的评估中处于帕累托前沿
- ✓ MAI-Voice-2.1 是官方最强的多语言文本转语音模型，支持 23 种语言与 26 个区域，单一音色即可用各语言的原生口音说话
- ✓ MAI-Voice-2.1-Flash 面向高并发、延迟敏感场景：官方称其可生成 45 秒音频、端到端延迟仅 150 毫秒，模型推理快 55%、成本约低 60%
- ✓ 两款语音模型支持用几秒参考音频跨全部支持语言克隆音色，并内置同意（consent）护栏以防滥用
使用步骤
- 通过 Microsoft Foundry、MAI Playground 或 Vercel 接入这三个模型，语音模型另可通过 OpenRouter 使用
- 在实时语音助手、听写或字幕场景中调用 MAI-Transcribe-2-Streaming 获取流式转写，让应用在说话者讲完前即可开始处理
- 使用 MAI-Voice-2.1 构建多语言客服或多语言助手，让同一音色以原生口音回复
- 在高并发场景选用 MAI-Voice-2.1-Flash，以更低延迟与成本获得同样语言与跨语言音色能力
常见问题
MAI-Transcribe-2-Streaming 是什么？
Microsoft AI 于 2026 年 10 月 1 日发布的首款流式转写模型，官方称其提供低延迟实时转写，在收到音频后 100 毫秒出头即可给出首个部分结果。
它支持多少种语言？
官方称 MAI-Transcribe-2-Streaming 支持 60 种语言，并具备自动、持续的语言检测能力。
MAI-Voice-2.1 支持多少种语言？
官方称 MAI-Voice-2.1 支持 23 种语言与 26 个区域，并可用单一音色跨语言以原生口音说话。
这些模型的定价如何？
官方博客注明：MAI-Transcribe-2-Streaming 推介价为每小时音频 0.54 美元（至年底）；MAI-Voice-2.1 为每 100 万字符 22 美元；MAI-Voice-2.1-Flash 为每 100 万字符 15 美元。
在哪里可以使用这些模型？
官方称三者均通过 Microsoft Foundry 提供，另可通过 MAI Playground、Vercel 使用，语音模型还支持 OpenRouter。