微软 AI 推出了一款全新的实时转录引擎，并同时发布了两款文本转语音模型，这套组合专为构建对话式语音代理的开发者打造。据 The Decoder 于 2026 年 10 月 2 日报道，此次发布为公司的 MAI 模型系列增添了流式语音识别和多语言合成能力，让开发者能够从单一供应商处获得近乎完整的“听与说”技术栈。
延迟成为分水岭
此次发布的旗舰模型 MAI-Transcribe-2-Streaming 旨在实时将语音转换为文本，而非等到一句话说完之后再进行转录。微软表示，该模型在略超 100 毫秒内即可生成首个部分输出，对于任何构建语音界面的开发者而言，这一指标比单纯的准确率更为重要。
该公司还声称，该模型在第三方评估网站 Artificial Analysis 追踪的准确率排名中位居榜首。如果这一说法在独立审查下依然成立，微软将获得速度与精度这一罕见组合——而在语音识别器必须在说话者尚未表达完想法之前就确定一种解读时，这两项特性通常相互矛盾。
为何句中的回应会改变交互方式
词汇覆盖范围涵盖 60 种语言。但更具深远意义的设计选择在于流式架构本身：由于部分结果几乎即时到达，代理可以在用户仍在说话时就开始构思回复。这正是那种感觉像对讲机的系统与表现得像能预判句子走向的人之间的区别。
截至今年年底，微软将该服务的定价设为每处理一小时音频 0.54 美元的 introductory 价格。对于高话务量的呼叫中心或始终在线的助手而言，这一费率将决定速度优势能否转化为实际部署。
跨 23 种语言的统一声音
在合成方面，MAI-Voice-2.1 能够以 23 种语言发声，同时保持相同的音色身份，并在每种语言中采用地道口音。该模型并非为每个地区换用听起来不同的说话者，而是旨在保持一致的人设——当助手成为服务中可识别的组成部分时，品牌和产品团队往往看重这一特性。
第二个变体 MAI-Voice-2.1-Flash 则以部分丰富度换取速度。微软报告其延迟为 150 毫秒，价格为每百万字符 15 美元，低于标准模型的 22 美元。
语音代理的定价算术
成本结构往往决定初创公司基于哪款模型进行构建，而微软为开发者提供了一条清晰的阶梯：
- 转录：按 introductory 费率每处理一小时音频 0.54 美元，有效期至今年年底。
- 合成（标准）：MAI-Voice-2.1，具备完整的多语言语音行为。
- 合成（快速）：MAI-Voice-2.1-Flash，延迟 150 毫秒，每百万字符 15 美元，而标准层级为 22 美元。
这些数字使该公司直接置身于一个拥挤的语音供应商竞争领域，在这里，每字符和每分钟费率与基准分数一样受到密切关注。
克隆声音——附带保障措施
两款语音模型都能仅凭几秒钟的参考音频复现说话者的声音。这一能力对于无障碍工具、本地化和个性化助手而言极为强大，同时作为身份冒充的途径也同样强大。微软表示，内置保障措施旨在防止滥用，不过这些护栏的具体机制尚未公开说明。
开发者可以在哪里获取这些模型
这些模型可通过 Microsoft Foundry 和 MAI Playground 等分发渠道获取。两款语音模型也出现在 OpenRouter 上，这为开发者提供了一种将请求与竞争模型一同路由的方式，而无需锁定单一供应商。
被量化的恐怖谷
微软进行了一项测试，约 4,000 名参与者聆听了合成语音。其中约一半人认为自己听到的是真人。这一结果具有两面性：它表明这些模型已跨过了一个有意义的真实感门槛，同时也暗示在听众可靠地接受合成语音为人类之前，仍有很长的路要走。
对于产品设计师而言，结论是剩余的怀疑并非均匀分布。在简短试验中被骗过的听众，当克隆声音询问账户详情或配送指示时，仍可能有不同反应——在这些情境中，对真实性的期望更高。
尚未验证的内容
公告中的若干重要说法来自微软自身。对转录准确率排名的独立评估、真实网络条件下的延迟数据，以及克隆保障措施的稳健性，都仍是未决问题：
- Artificial Analysis 的准确率排名由微软声称，尚未得到外部测试证实。
- 延迟数字描述的是模型行为，可能无法反映生产环境中的端到端性能。
- 针对语音克隆滥用的保障措施仅以概括性语言描述。
评估该技术栈的开发者会希望用自己的音频进行测试——带口音的语音、嘈杂环境、重叠说话者——然后再将公布的数字视为基线。
为何重要
语音代理的瓶颈与其说在于语言理解，不如说在于轮流对话的机制。一个等待静默的系统无法让人感觉像在对话。通过将部分转录推至低于人类反射阈值的水平，并搭配在几分之一秒内运行的合成，微软押注下一波助手将不仅以智能、也以节奏来评判。定价和保障措施能否在真实世界负载下经受住考验，是接下来的测试。
本文基于 The Decoder 的报道。阅读原文。
Originally published on the-decoder.com