Microsoft 已公布三款语音模型的语言覆盖、延迟、价格与调用入口。
Microsoft 发布首批结果约 100 ms 的流式语音模型
2026-10-01已核实动态TRIAL
Microsoft 发布 MAI-Transcribe-2-Streaming、MAI-Voice-2.1 与 MAI-Voice-2.1-Flash。转写模型支持 60 种语言、连续语言检测，首次返回部分文本略高于 100 ms。语音合成覆盖 23 种语言和 26 个地区；Flash 目标是在 150 ms 内生成 45 秒音频。模型已可通过 Microsoft Foundry 和公开 playground 调用。
可用状态：Microsoft Foundry 与公开 playground；语音模型也在 OpenRouter，LiveKit 已预告
对你意味着什么
对语音 agent 团队来说，低延迟的部分转写与快速语音合成能缩短轮次等待，也减少多供应商拼接。公开价格和可调用 API 使端到端延迟与多语质量可以直接验证。
证据与关联材料
技术细节与六维评分
| 转写 | 60 种语言；连续语言检测；首次部分结果略高于 100 ms |
|---|---|
| 转写价格 | 年底前引入价每音频小时 0.54 美元 |
| 语音合成 | 23 种语言、26 个地区 |
| Voice 2.1 价格 | 每百万字符 22 美元 |
| Voice Flash | 150 ms 生成 45 秒音频；每百万字符 15 美元 |
| 可用性 | Microsoft Foundry 与公开 playground；语音模型也在 OpenRouter，LiveKit 已预告 |
技术影响 3
工程价值 4
采用信号 3
成熟度 3
验证成本 2
风险 3