微软发布 MAI-Transcribe-2 与 MAI-Voice 2.1：语音 agent 边说边转写

背景

微软 10 月 1 日扩展 MAI 模型家族，加入首个流式转录模型 MAI-Transcribe-2-Streaming 与两款文本转语音模型，面向语音 agent。

核心要点

• MAI-Transcribe-2-Streaming 通过 WebSocket 接收语音，边说边出文本，首字延迟约 100–320ms，支持 60+ 语言与自动语种检测。
• MAI-Voice-2.1 主打高保真/表现力，$22/百万字符；Flash 版 $15/百万字符、延迟约 150ms，面向呼叫中心等低延迟场景。
• 两者均支持少量参考音频克隆声音，内置同意护栏防滥用；约半数被测者难辨与真人。
• 经 Microsoft Foundry、Vercel、MAI Playground、OpenRouter 可用，微软借此降低对 OpenAI/Anthropic 模型的依赖。

为什么重要

流式转录 + 低延迟语音合成把「边说边想」的语音 agent 延迟压到接近人类，是客服/语音助手规模化落地的关键 infra。

关键事实速记

• 发布 MAI-Transcribe-2 / Voice 2.1（10-01）
• 微软 MAI 家族
• 首字 ~100ms / 60+ 语言
• Voice 2.1 $22 / Flash $15/百万字符
• 克隆+护栏 / 降外部依赖