MAI-Transcribe-2-Streaming 在 2026 年 10 月 1 日由 Microsoft AI 通过官方博客发布，与它一起亮相的还有语音合成模型 MAI-Voice-2.1 和更快的 MAI-Voice-2.1-Flash。微软把三款模型打包成一套语音智能体组件：一个负责听，一个负责说，中间留给推理模型的时间被刻意压缩。
边听边写，话没说完就能开始处理
MAI-Transcribe-2-Streaming 是微软第一款流式转写模型。它不等说话人说完整句，而是通过持续音频流在 100 多毫秒内给出第一批临时转写结果，随后随着上下文增加不断修正，一句话结束时立即锁定最终文本。按微软公布的数据，在实时听写和字幕场景中，文字浮现速度约为最接近竞品的 2 倍；在 Artificial Analysis 的评测中，它在最终转写和临时转写两个准确率榜单上都排第一。模型支持 60 种语言，并能自动、连续地检测说话人正在使用的语言，转写价格为每小时音频 0.54 美元的引进定价，持续到 2026 年底。
同一个声音，能用 23 种语言开口
MAI-Voice-2.1 是微软目前最强的多语言语音合成模型，支持 23 种语言、26 个地区变体，定价为每 100 万字符 22 美元。它主打的一点是跨语言保持同一音色：同一个声音说英语、普通话和德语时，听感上仍是同一个人，且带当地口音，而不是把一种口音硬套到所有语言上。Flash 版本支持同样的语言，45 秒音频的端到端延迟约 150 毫秒，推理速度提升 55%，价格降到每 100 万字符 15 美元。两款语音模型都支持用几秒参考音频克隆声音，并内置了同意校验，防止声音被冒用。
为什么微软要自己做耳朵和嘴
语音智能体的体验取决于一个闭环：听清、理解、决策、开口，全部要在人还觉得自然的对话节奏内完成。听和说各慢几百毫秒，整轮对话就会显得迟钝。微软这次把转写和合成的延迟同时压低，等于给中间的推理和工具调用腾出时间预算。对开发者来说，客服智能体可以在来电者说完之前就开始识别诉求，多语言助手可以检测语言后用同一音色回话，教学产品也不必为换语言而换“老师”。需要注意的是，100 多毫秒指的是模型给出临时结果的时间，不等于整条语音链路的响应速度，网络和上层应用仍会影响最终体验。
