微软发布 MAI-Transcribe-2-Streaming：实时转写 60 种语言，首包 100 毫秒、Artificial Analysis 准确率登顶

先看流式这件事到底意味着什么。官方的描述是：它不是等对方把话说完再返回文字，而是在收到音频后 100 毫秒出头就给出第一版「假设」（也就是部分结果），随后随着更多上下文进来不断修正，再立刻提交一份稳定转写。这个机制的价值在于让语音应用能在说话者还没说完时就行动——比如语音智能体可以在句子中途开始推理或调用工具，实时字幕也能边说边出。官方称内部评测显示，在实时听写或字幕这类场景里，字词出现在转写中的速度比最接近的竞品快 2 倍。语言覆盖上，它支持 60 种语言的低延迟实时转写，并能自动、连续地做语言检测。价格方面：年底前为每小时音频 0.54 美元的推广价。

语音合成这边，MAI-Voice-2.1 的卖点是「一个音色说所有语言」。官方称这是其目前最强的多语言文本转语音模型：语言覆盖扩展到 23 种语言与 26 个地区，并且让单个「声音」能用所有这些语言说话，同时保持真正地道的本地口音——也就是说，让它先说英语、再说中文、再说德语，说话者听起来始终是同一个人，而且会自然接上当地的说法，而不是把一种口音拖到所有语言上。官方给了两个具体场景：辅导类应用可以在课程中途切换语言而不必换老师；多语言助手可以用对方使用的语言回答，听起来仍是同一个声音。定价为每 100 万字符 22 美元。

第三个数是 MAI-Voice-2.1-Flash，面向高并发、对延迟敏感的场景。官方称它支持与 MAI-Voice-2.1 相同的语言与跨语言音色，但针对大吞吐做了强化：可生成 45 秒音频，端到端延迟仅 150 毫秒，模型推理快 55%，并且比同类模型便宜约 60%，定价为每 100 万字符 15 美元。官方把 Flash 与转写模型的关系说得很清楚：两者搭配，等于在「听到」和「说出」两端各买回一段时间，省下来的时间可以留给模型去推理、调用工具、核对答案，同时对话仍保持人类对话的速度。此外，两个语音模型都支持用几秒参考音频做跨语言克隆，方便客户使用自家品牌的声音；官方强调它们内置授权护栏以防止滥用。

官方还公布了一个主观测试结果和一组落地方式。微软称在一场 4,000 名听众的图灵测试中，50.3% 的听众认为 MAI-Voice 与真人录音相比同样像人或更像人，真人录音被评更像人的比例为 49.7%；官方注明该结果是 MAI-Voice-2.1 与 MAI-Voice-2.1 Flash 的合并数据。可用渠道方面：两个语音模型可通过 OpenRouter 使用，三个模型都可经由 Microsoft Foundry、MAI Playground、Vercel 与 Azure Voice Live 获得，LiveKit 标注为即将上线。官方还给出了三类现成场景：客服智能体可在对方说话时就转写并提前行动、再用自然语音回应；多语言助手能自动检测语言并用同一音色以地道口音回答；互动学习与媒体可用不同说话人做辅导、角色扮演、模拟与旁白。为了让开发者直接看到三者协作，微软在 MAI Playground 里做了一个叫 Chatter 的新演示。