微软自研语音栈上线：60 语言流式转写 + 秒级声音克隆

事件经过

10 月 1 日，Microsoft AI 在官方博客 microsoft.ai 发布了三款自研语音模型：流式转写 MAI-Transcribe-2-Streaming，以及两个文本转语音模型 MAI-Voice-2.1 和 MAI-Voice-Flash，覆盖语音识别和语音合成。

转写模型主打实时：60 种语言、连续自动语言检测、首词延迟约 100 毫秒，定价 0.54 美元/音频小时（年内优惠价）。微软宣称，它在 Artificial Analysis 的最终转写与部分转写准确率测评中均排名第一。TTS 这边，MAI-Voice-2.1 覆盖 23 种语言、26 个区域，支持同一说话人跨语言、保留本地口音（22 美元/百万字符）；Flash 版把延迟压到 150 毫秒（15 美元/百万字符）。声音克隆只需数秒参考音频，但需要审批，并附带同意保护机制。

关键事实

1. 发布时间与来源：2026 年 10 月 1 日，Microsoft AI 官方博客 microsoft.ai 首发；The Decoder、RuntimeWire、TestingCatalog、WindowsReport 跟进报道，事实一致。
2. 转写：MAI-Transcribe-2-Streaming：60 种语言、连续自动语言检测、首词约 100 毫秒；微软宣称 Artificial Analysis 最终/部分转写准确率均排名第一；0.54 美元/音频小时（年内优惠价）。
3. 语音合成：MAI-Voice-2.1：23 种语言/26 个区域，同一说话人跨语言、保留本地口音，22 美元/百万字符；Flash 版：150 毫秒延迟，15 美元/百万字符。
4. 声音克隆：数秒参考音频即可克隆声音，需要审批，并附带同意保护机制。

背景

OpenAI 此前已推出 Realtime API 和 TTS 模型。微软这次发布的三款模型全部自研，不依赖外部模型。