Microsoft AI 发布 MAI-Transcribe-2-Streaming 与 MAI-Voice-2.1 模型

2026年10月1日，Microsoft AI 发布首个流式转写模型 MAI-Transcribe-2-Streaming，以及文本转语音模型 MAI-Voice-2.1 与 MAI-Voice-2.1-Flash，可通过 Microsoft Foundry 及相关渠道使用，Unite.AI 与微软通稿均有报道。

流式转写相关说法

微软称 MAI-Transcribe-2-Streaming 可在 60 种语言上做低延迟实时转写，并持续自动检测语言。援引 2026年9月28日 Artificial Analysis 流式榜，材料提到约 2.5% 最终词错误率、2.8% 首次部分结果错误率、约 0.13 秒 到最终转写，首次部分结果约在收到音频后 100 毫秒出头。年末前优惠价为每小时音频 0.54 美元。

语音模型

MAI-Voice-2.1 支持 23 种语言 / 26 个区域设置，跨语言保持同一说话人身份（每百万字符 22 美元）。MAI-Voice-2.1-Flash 面向高吞吐、低延迟——最长约 45 秒 音频、端到端约 150 毫秒——价格 每百万字符 15 美元；微软称推理约快 55%、成本约低 60%。两者支持数秒参考音频的声音克隆并带有同意防护。在一项 4000 名听众测试中，50.3% 认为 MAI-Voice 与人类录音相当或更自然。

可用性与注意

可通过 Microsoft Foundry、MAI Playground、Vercel 与 Azure Voice Live 使用（LiveKit 即将上线）；语音模型亦经 OpenRouter。榜单领先与“拟人度”为厂商引用结果。本文为产品发布摘要，并非背书。