微软发布语音转录与TTS模型，瞄准语音Agent场景

Microsoft AI 发布了 MAI-Transcribe-2-Streaming，这是一款用于实时转录的新模型。微软表示，该模型在 Artificial Analysis 的准确率排名中位居第一。它能转录 60 种语言，并在仅 100 毫秒出头的时间内交付首个部分结果。微软称，这让语音 Agent 能够在说话者还在开口的过程中就做出响应。今年年内，音频转录的入门价为每小时 0.54 美元。

微软还发布了两款新的语音合成模型。MAI-Voice-2.1 专为使用同一音色讲述 23 种语言而设计，每种语言都带有本地口音。据微软称，MAI-Voice-2.1-Flash 变体的延迟低至 150 毫秒，成本为每百万字符 15 美元，而非此前的 22 美元。

这两款语音模型均能从几秒钟的参考音频中克隆声音，并内置了防止滥用的安全防护措施。这些模型可通过 Microsoft Foundry 和 MAI Playground 等平台获取，两款语音模型也已上线 OpenRouter。在一项测试中，约 4000 名参与者中有一半认为这些声音来自真人。