答案已發布2 小時前Last edited 2 小時前19 個來源

微軟三款 MAI 語音模型怎麼選？功能、價格與開發者存取方式整理

MAI Transcribe 2 Streaming 支援 60 種語言並可在說話過程中逐步回傳文字；報導稱其在 Artificial Analysis 串流轉錄基準中以 2.5% 最終字錯率排名第一。 MAI Voice 2.1 主打較豐富的語音表現，Flash 版則偏重速度；兩款語音模型據報支援 23 種語言，價格分別為每百萬字元 22 美元與 15 美元。

發布者使用 GPT-6 Luna 編輯圖片由 GPT Image 2 生成

使用 Studio Global AI 搜尋並查證事實瀏覽更多熱門頁面

研究答案

重點整理

MAI Transcribe 2 Streaming 支援 60 種語言並可在說話過程中逐步回傳文字；報導稱其在 Artificial Analysis 串流轉錄基準中以 2.5% 最終字錯率排名第一。
MAI Voice 2.1 主打較豐富的語音表現，Flash 版則偏重速度；兩款語音模型據報支援 23 種語言，價格分別為每百萬字元 22 美元與 15 美元。
三款模型均透過 Microsoft Foundry 公開預覽提供。轉錄模型每音訊小時 0.54 美元的價格屬於 2026 年底前的優惠價；這些語音元件本身並不取代語音代理所需的推理或其他服務。

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 提示詞
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

微軟這次推出的三款 MAI 模型，分別負責語音互動的「聽」與「說」：MAI-Transcribe-2-Streaming 將即時語音轉成文字；MAI-Voice-2.1 和 MAI-Voice-2.1-Flash 則把文字轉成語音。這批模型瞄準的是開發語音代理的團隊，目前均透過 Microsoft Foundry 公開預覽提供。 36 39

三款模型快速比較

模型	主要用途	報導所列語言支援	報導所列價格
MAI-Transcribe-2-Streaming	即時語音轉文字，並逐步更新轉錄內容	60 種，可自動辨識語言	每音訊小時 0.54 美元；此為 2026 年底前的導入優惠價 4 35
MAI-Voice-2.1	文字轉語音，著重表達力	23 種	每百萬字元 22 美元 35 36
MAI-Voice-2.1-Flash	文字轉語音，著重回應速度	語音模型據報支援 23 種	每百萬字元 15 美元 35 36

表列價格與供應狀態是目前報導所列資訊，不代表日後不會變動。尤其轉錄模型的 0.54 美元費率被描述為限時優惠。 4 35

MAI-Transcribe-2-Streaming：不用等一句話講完

傳統轉錄工具往往要等說話者停下來才輸出文字；MAI-Transcribe-2-Streaming 則能在音訊持續傳入時，透過 WebSocket 逐步傳回轉錄結果。根據模型上架資訊，它支援 60 種語言，並可自動辨識語言。 1

目前報導提到的延遲數字並不完全相同：一則稱模型接收到音訊後稍逾 100 毫秒便能開始提供部分結果；另一則則稱說出詞語後約 320 毫秒便能看到文字。由於兩種說法採用的起算點不同，不宜直接視為同一條件下的延遲比較。 2 4

在 Artificial Analysis 的串流轉錄基準測試中，報導指出該模型初登場便拿下準確度第一；另有報導稱，它在 38 款模型中達到 2.5% 的最終字錯率。這是特定基準測試的結果，不能保證在所有語言、收音環境或應用場景下都有相同表現。 34

目前列出的價格是每音訊小時 0.54 美元，優惠期至 2026 年底。開發者在評估成本時，應留意這不是已確認的長期費率。 4 35

MAI-Voice-2.1 與 Flash：表達力和速度的取捨

兩款語音模型都能把文字轉成語音，但定位不同：MAI-Voice-2.1 偏向較豐富、自然的語音表現；Flash 則面向更重視快速回應的應用。報導所列的語言支援為 23 種。 6 35 36

報導列出的價格，MAI-Voice-2.1 為每百萬字元 22 美元，MAI-Voice-2.1-Flash 為每百萬字元 15 美元。另有報導稱 Flash 生成 45 秒音訊時延遲為 150 毫秒；這應視為報導所列數字，而非所有系統都適用的端到端回應時間。 35 36

目前可查的報導沒有提供可直接比較的公開語音品質基準分數。轉錄模型在準確度測試中的名次，也不能當成兩款語音生成模型的排名。 32 34

開發者現在能用什麼？這次發布代表什麼？

三款模型均據報以公開預覽形式透過 Microsoft Foundry 提供。公開預覽讓開發者可以試用，但不等於產品已正式普遍推出。 36

對開發者而言，微軟現在提供了語音代理工作流程所需的語音辨識與語音生成元件。這讓團隊更有機會在 Microsoft 的開發者生態系中建置語音處理部分，也可能減少為這些特定功能另找供應商的需要。不過，這不代表完整的語音代理從此不必使用其他服務：推理、流程協調等能力仍可能由其他模型或服務提供。 6 39

重點整理

三款模型中，資訊最明確的是 MAI-Transcribe-2-Streaming：支援 60 種語言、邊接收語音邊回傳轉錄，並有報導指出它在 Artificial Analysis 準確度排名第一，最終字錯率為 2.5%。兩款語音模型則讓開發者在表達力與速度之間選擇，據報支援 23 種語言，並採不同的每字元計價方式。正式採用前，建議先確認當下的預覽存取條件、價格，以及實際部署環境中的延遲表現。 1 34 35 36

Studio Global AI

繼續深入研究

這個頁面包含附來源佐證的答案，你可以在 Studio Global 內繼續追問。

使用 Studio Global AI 搜尋並查證事實

大家也會問