答案已发布2小时前Last edited 2小时前19 来源

微软三款 MAI 语音模型怎么选？转写、语音生成与价格一览

微软的三款 MAI 语音模型分工明确：实时语音转写支持 60 种语言，两款文本转语音模型据报支持 23 种语言。转写模型会在说话过程中逐步返回文本；不同报道采用的延迟起算方式不同，分别提到初始结果略超 100 毫秒，以及约 320 毫秒后开始显示词语。

发布者使用 GPT-6 Luna 编辑图片由 GPT Image 2 生成

使用 Studio Global AI 搜索并核查事实浏览更多热门页面

研究答案

要点

微软的三款 MAI 语音模型分工明确：实时语音转写支持 60 种语言，两款文本转语音模型据报支持 23 种语言。
转写模型会在说话过程中逐步返回文本；不同报道采用的延迟起算方式不同，分别提到初始结果略超 100 毫秒，以及约 320 毫秒后开始显示词语。
三款模型均通过 Microsoft Foundry 公共预览提供。它们补齐了语音输入与输出组件，但不代表语音代理的推理等其他部分也无需外部模型。

Illustration representing live speech transcription and AI-generated voice responses — What are Microsoft’s three new in-house AI models for real-time transcription and voice generation, how do their capabilities, language suppMicrosoft’s MAI lineup combines streaming speech recognition with two text-to-speech models.
AI 提示
Create a landscape editorial hero image for this Studio Global article: What are Microsoft’s three new in-house AI models for real-time transcription and voice generation, how do their capabilities, language supp. Article summary: Microsoft’s three models are **MAI-Transcribe-2-Streaming**, which listens and transcribes as speech arrives, and **MAI-Voice-2.1** and **MAI-Voice-2.1-Flash**, which generate spoken responses. Together, they give develo. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fa
openai.com

微软推出三款面向语音交互的 MAI 模型：MAI-Transcribe-2-Streaming 将实时语音转成文字，MAI-Voice-2.1 和 MAI-Voice-2.1-Flash 则把文字转换为语音。它们面向希望构建语音代理的开发者，目前均通过 Microsoft Foundry 公共预览提供。 36 39

三款模型一览

模型	主要用途	据报支持的语言	据报价格
MAI-Transcribe-2-Streaming	实时语音转文字，并逐步更新转写结果	60 种，支持自动识别语言	每小时音频 0.54 美元；截至 2026 年底的导入优惠价 4 35
MAI-Voice-2.1	生成更具表现力的语音	23 种	每百万字符 22 美元 35 36
MAI-Voice-2.1-Flash	面向更重视响应速度的场景生成语音	语音模型据报支持 23 种	每百万字符 15 美元 35 36

以上为报道中的价格与可用信息，并不意味着之后不会调整。尤其是转写模型的价格被描述为限时导入优惠。 4 35

MAI-Transcribe-2-Streaming：边说边转写

传统转写工具往往要等说话者讲完一段话才输出文字；这款模型则通过 WebSocket 接收连续音频，并在语音输入过程中逐步推送转写结果。其模型列表据报显示，它支持 60 种语言并能自动识别语言。 1

关于延迟，各家报道使用的衡量方式并不完全相同。一篇报道说，模型接收音频后略超 100 毫秒即可开始输出部分结果；另一篇则称，说出词语后约 320 毫秒就能开始看到文字。由于两者的起算点不同，不宜直接当作同一口径的延迟数据比较。 2 4

在 Artificial Analysis 的流式语音转写基准测试中，报道指该模型首次亮相便取得准确度第一；另有报道给出其最终词错误率为 2.5%，比较范围为 38 款模型。这些是特定基准测试中的报告结果，不代表它在所有语言、录音条件或应用场景下都能达到相同表现。 34

目前公布的每小时音频 0.54 美元是截至 2026 年底的导入价格。开发者在评估成本时，应留意它并非必然长期有效的定价。 4 35

MAI-Voice-2.1 与 Flash：文字转语音

两款语音模型都能将文字转换为语音，但侧重点不同：MAI-Voice-2.1 主打更丰富的语音表现力；Flash 则定位为更快的版本，适合重视对话响应速度的应用。报道显示，两款语音模型均支持 23 种语言。 6 35 36

据报，MAI-Voice-2.1 的价格为每百万字符 22 美元，MAI-Voice-2.1-Flash 为每百万字符 15 美元。另有报道提到，Flash 生成 45 秒音频的延迟为 150 毫秒；这个数字应视为报道所列数据，而非所有系统端到端响应时间的统一指标。 35 36

目前可查到的报道没有提供可直接比较的语音质量公开基准分数。因此，转写模型在准确度测试中的排名，不能视为对两款语音生成模型的排名。 32 34

开发者能用到什么？这次发布意味着什么？

据报，三款模型均已在 Microsoft Foundry 以公共预览形式提供。公共预览意味着开发者可以进行测试，但不等同于正式全面商用。 36

对开发者而言，微软现在提供了语音代理工作流中的语音识别和语音生成组件。这可能让开发者更容易在微软的开发生态中搭建语音层，并减少为这些特定组件另行寻找供应商的需要。但这并不能证明完整的语音代理可以完全不依赖其他服务：推理、流程编排等能力仍可能由不同模型或服务提供。 6 39

简单结论

最明确的比较对象是实时转写模型：它支持 60 种语言、能在语音输入时逐步返回结果，并据报在 Artificial Analysis 的准确度排名中位居第一；相关报道还给出了 2.5% 的最终词错误率。两款语音生成模型则提供“表现力优先”与“速度优先”的选择，报道所列语言支持均为 23 种，按字符计费也各不相同。正式用于产品前，开发者应在实际部署环境中核实当前的预览权限、价格和延迟表现。 1 34 35 36

Studio Global AI

继续你的研究

此页面包含一个有来源支持的答案，您可以在 Studio Global 内继续。

使用 Studio Global AI 搜索并核查事实

人们还问