微软 MAI 语音三件套：流式转录 60 种语言，合成 23 种

微软于 2026 年 10 月 1 日在 Microsoft Foundry 上线三个 MAI 语音模型：流式转录的 MAI-Transcribe-2-Streaming 覆盖 60 种语言并自动检测语种，边收音频边产出文本；合成侧推出 MAI-Voice-2.1 与其高速档 MAI-Voice-2.1-Flash，覆盖 23 种语言且跨语言保持同一音色。三个模型同时上线 OpenRouter、Vercel 与 LiveKit。

这次发布的是什么

微软于 2026 年 10 月 1 日在 Azure AI Foundry 官方技术社区博客宣布，Microsoft Foundry 中新增三个 Microsoft AI（MAI）语音模型：MAI-Transcribe-2-Streaming、MAI-Voice-2.1 与 MAI-Voice-2.1-Flash。官方博客的页面时间戳为 2026-10-01。

三个模型的分工很清楚。MAI-Transcribe-2-Streaming 是流式语音转文本模型，官方称它不再等说话人说完再返回文本，而是连续转写，覆盖 60 种语言并自动检测语种，先产出称为 partials 的初步假设，再随上下文不断修订，直到一句话结束才提交稳定结果。MAI-Voice-2.1 是文本转语音模型，官方称支持 23 种语言，并在不同语言之间保持一致的语音身份，发音与表达方式会随目标语言自适应。MAI-Voice-2.1-Flash 支持相同的语言与跨语言音色，但针对响应速度与高吞吐场景优化。

影响谁：做客服语音机器人、实时字幕与多语言语音助手的开发者。流式转录改变的是时点——应用可以在对方还没说完时就开始理解和准备动作，而不必等一句话结束。

可用性与限制

• 调用渠道：官方称三个模型都在 Microsoft Foundry 提供，既有 Foundry 内的 Azure Speech，也有 Foundry 的直接 API；此外还上线了 OpenRouter、Vercel 与 LiveKit。
• 演示入口：官方提到在 MAI Playground 里做了一个名为 Chatter 的演示，用于展示三个模型串起来的实时语音代理。
• 能力取舍：官方建议，如果需要说话人分离与词级时间戳，应选用此前的非流式模型 MAI-Transcribe-2，而不是 Streaming 版本。
• 结果稳定性：partials 是初步假设，会随后续上下文被修订，只有话语结束后才提交终稿。依赖中间结果的逻辑需要能容忍这种修订。
• 语言覆盖：转录 60 种语言，合成 23 种语言；超出这些范围的语言官方未作声明。
• 语音克隆与授权机制：本次官方公告未提及，相关能力与限制以官方文档为准。
• 境内可用性：Microsoft Foundry 与 Azure 服务在境内的可用性与合规要求，请以微软官方说明为准。
• 价格：以微软官网定价页为准。

主要功能

• 边听边转：音频到达即开始产出文本，不等说话人说完。
• 自动检测语种：60 种语言连续转写，无需预先指定。
• 分批输出：先给初步假设，随上下文修订，句末提交稳定字幕。
• 跨语言同音色：23 种语言保持一致的语音身份，按语言自适应发音。
• 高速档合成：Flash 版本面向响应敏感、调用量大的语音应用。
• 组合成回路：转录与合成可以搭配，构建完整的语音代理。
• 多平台接入：Foundry、Azure Speech、OpenRouter、Vercel 与 LiveKit 都可调用。

技术原理

据官方说明，流式转录改变的是输出时机。传统转录要等一句话说完才返回完整文本，而 MAI-Transcribe-2-Streaming 在音频到达时就持续产出文本：官方称在收到音频后的低数百毫秒内产出首批假设，随后随更多上下文到达不断精炼，直到话语结束才提交稳定的转写结果。这个区别在应用需要边听边行动时才有意义——客服机器人可以在句子还没说完时就开始识别来电意图，语音助手可以更早开始推理或准备工具调用。

合成侧的做法是让同一个语音身份跨语言保持一致。官方举的例子是，一个教学应用可以从英文讲解切到中文练习，而不会听起来像换了一位老师。官方称模型会根据具体语言调整发音与表达方式，而不是在所有语言的回复里都带同一种口音。

关于模型架构、参数量与训练细节，本次官方公告未予说明，这部分以官方模型卡与文档为准。

实际体验

语音模型值不值得换，跑一个最小回路就能判断。下面是可复现的验证步骤：

1. 先看官方演示：在 MAI Playground 里试 Chatter，确认三个模型串起来之后的实时效果，也对延迟有一个直观感受。
2. 搭最小回路：用 Foundry 的直接 API 或 Azure Speech 建一个语音回路，把麦克风音频流式送进 MAI-Transcribe-2-Streaming，观察首批文本到达的时间点。
3. 打印每一版 partial：确认初步结果确实会被后续上下文修订，据此判断你的业务逻辑能不能直接用中间结果，还是必须等终稿。
4. 对比两个合成档位：同一句话分别用 MAI-Voice-2.1 与 MAI-Voice-2.1-Flash 合成，比较自然度与响应速度的差异。
5. 做跨语言测试：让同一个音色在中英文之间切换，确认听感上是否保持同一个人，这一步决定了它能不能用在多语言产品里。

项目地址与获取方式

• 官方公告：Azure AI Foundry 技术社区博客的 Build expressive voice experiences with new MAI models in Microsoft Foundry 一文，页面时间戳 2026-10-01。
• 调用入口：Microsoft Foundry（直接 API 与 Azure Speech），以及 OpenRouter、Vercel、LiveKit；演示在 MAI Playground。
• 请通过微软官方渠道获取密钥与接入方式，避免第三方中转带来的数据风险。
• 模型卡、可用区域与具体定价以微软官网为准。

适合谁用

• 做客服语音机器人的团队：需要在对方还没说完时就开始理解并准备工具调用。
• 做实时字幕与语音驱动界面的产品：文字几乎同速上屏。
• 做多语言语音助手的开发者：23 种语言共用同一音色，切换语言不换人。
• 调用量大的语音应用：Flash 档位面向响应速度与吞吐优化。
• 不必用的人：只需要离线批量转写、且需要说话人分离与词级时间戳的场景，官方建议用非流式的 MAI-Transcribe-2 更合适。
• 暂不建议押注的场景：依赖语音克隆的业务，官方公告未说明相关能力与授权机制。

常见问题

三个模型分别该怎么选？

要边听边出文本选 MAI-Transcribe-2-Streaming；要高质量离线转写并需要说话人分离与词级时间戳，官方建议选此前的非流式模型 MAI-Transcribe-2。合成侧，语音质量与表现力优先时选 MAI-Voice-2.1，响应速度与大规模调用优先时选 MAI-Voice-2.1-Flash。两者语言覆盖与跨语言音色一致，差别在取舍方向上。

流式转录和此前的 MAI-Transcribe-2 有什么不同？

核心差别在输出时机。非流式模型等一段话说完再返回完整文本，适合需要说话人分离、词级时间戳等后处理能力的场景；流式模型在音频到达时就持续产出文本，先给初步假设再随上下文修订，句末提交终稿，适合需要在说话过程中就采取行动的应用。官方把两者定位为按体验需求选择，而不是新旧替代。

支持哪些语言？

官方称 MAI-Transcribe-2-Streaming 覆盖 60 种语言并支持自动语言检测；MAI-Voice-2.1 与 MAI-Voice-2.1-Flash 覆盖 23 种语言，且在这 23 种语言之间保持一致的语音身份。具体语言清单与地区变体以官方模型卡为准。

可以从哪些平台调用？

官方称三个模型都在 Microsoft Foundry 提供，既有 Foundry 内的 Azure Speech，也有 Foundry 的直接 API 访问；此外还通过 OpenRouter、Vercel 与 LiveKit 提供。想先看效果可以去 MAI Playground，官方在那里放了一个名为 Chatter 的演示。Azure Voice Live 也在官方给出的入口列表中。

计费方式是怎样的？

本次文章内容不写具体价格数字，计费口径与档位请以微软官网定价页为准。需要注意的是官方公告提到过部分模型有介绍期价格，介绍期结束后的价格会变化，因此接入前应先查当前定价，不要依据二手转述的数字做成本测算。

相关工具与内容

• /category/audio — AI 音频分类，语音识别与合成的同类工具都在这里
• /tool/elevenlabs — ElevenLabs，语音合成方向的对照工具
• /tool/moyin — 魔音工坊，中文配音场景的常见选择
• /tool/xunfei-tingjian — 讯飞听见，转写与字幕方向的对照工具
• /tool/tingwu — 通义听悟，会议记录与音频理解方向
• /article/suno-review-2026 — Suno 评测，音频类 AI 的选型参考