Microsoft AI 发布面向语音智能体的转录与语音合成新模型
微软发布实时转录模型 MAI-Transcribe-2-Streaming 与两款语音合成模型 MAI-Voice-2.1 及其 Flash 版本。
为什么重要
为开发者提供了低延迟、可多语言与声音克隆的语音智能体构建组件，并可通过多个平台直接调用。
阅读原文the-decoder.com
AI 解读（根据原文生成）
Microsoft AI 发布 MAI-Transcribe-2-Streaming 实时转录模型，微软称其在 Artificial Analysis 上准确率排名第一，支持 60 种语言，首个部分结果延迟约 100 毫秒，使语音智能体可在说话者句未说完时响应；年底前推广价为每小时音频 0.54 美元。同时发布两款文本转语音模型：MAI-Voice-2.1 可用同一音色说 23 种语言并带各语言母语口音；MAI-Voice-2.1-Flash 延迟 150 毫秒，价格为每百万字符 15 美元（原为 22 美元）。两款语音模型均可仅凭几秒参考音频克隆声音，并内置防滥用保护。模型可通过 Microsoft Foundry、MAI Playground 等平台获取，两款语音模型也上线 OpenRouter。一项测试中约 4000 名参与者里有一半认为声音属于真人。
要点（AI 据原文整理，数字均已与原文核对）
- MAI-Transcribe-2-Streaming 在 Artificial Analysis 上准确率排名第一
- MAI-Transcribe-2-Streaming 支持 60 种语言，首个部分结果延迟约 100 毫秒
- 年底前推广价：每小时音频 0.54 美元
- MAI-Voice-2.1 可用同一音色说 23 种语言，并带各语言母语口音
- MAI-Voice-2.1-Flash 延迟 150 毫秒，价格每百万字符 15 美元（原为 22 美元）
- 一项测试中约 4000 名参与者里有一半认为声音属于真人
