微软发布三款自研语音与实时转写AI模型

微软（Microsoft）于周四发布了三款自研语音与转写人工智能模型。随着对话式语音AI智能体的开发需求激增，微软正加速构建自主AI技术栈，以吸引更多开发者。

微软AI团队通过社交平台宣布推出 MAI-Transcribe-2-Streaming、MAI-Voice-2.1 以及 MAI-Voice-2.1-Flash，三款模型即日起均已上线。微软表示，新模型具备“高精度的流式转写能力”，并能提供“自然的语音表达与更低的交互轮转等待时间”。

实时流式转写模型

根据微软AI官方博文，MAI-Transcribe-2-Streaming 是微软推出的首款流式转写模型。它支持在用户说话的同时实时将语音转为文字，无需等待录音结束。该模型支持60种语言，并能自动检测说话人使用的语言，即使在对话中途切换语种也能实时识别。该模型的首发定价为每小时0.54美元。

在基准测试机构 Artificial Analysis 的 AA-WER Streaming 测试中，该模型在词错率（Word Error Rate）方面位列第一。数据显示，其最终转写准确率与首段部分转写准确率均排在榜首，词错率仅为2.5%。

该模型补充了此前的 MAI-Transcribe-2。开发者此前已可通过 Azure 语音服务调用相关能力。

更快的语音生成与自研布局

在语音合成方面，MAI-Voice-2.1 主打高表现力与低延迟，并在长段文本生成中保持稳定。该模型支持23种语言，被定位为微软AI团队目前保真度最高的文本转语音（TTS）模型。MAI-Voice-2.1-Flash 则是专为追求生成速度设计的轻量版本。目前，这两款语音模型及流式转写模型已通过 Vercel 的 AI Gateway 等渠道开放使用。

此次发布标志着微软内部 MAI 系列模型的进一步扩充。市场分析指出，微软每实现一层AI技术栈的自研，就意味着减少对外部供应商的一层依赖，这也显示出微软内部自研AI能力的成熟速度正在超出外界预期。