The Decoder 10 月 2 日报道，微软除了转录，还发布了两颗文字转语音的模型。MAI-Voice-2.1 要用同一个声音说 23 种语言，并且每种语言带本地口音。微软称，MAI-Voice-2.1-Flash 的延迟是 150 毫秒，价格是每百万字符 15 美元，而不是 22 美元。这些数字是微软说的，报道没有给出独立测量。

[1]
一个没有五官的圆，下面一列短横线，每条线的左半深、右半浅。
圆里没有脸。下面每条短线都是左边深、右边浅。对应一项测试里大约一半的人把声音听成真人，画面上却没有五官。这是插画，不是测试截图。, AI 生成插画，不是新闻照片

两颗语音模型都可以用仅仅几秒的参考音频去克隆一个声音。报道写，内置的防护是为了防止滥用。这里只保留这两句。不写怎样提供那段音频，也不写怎样绕过防护。模型可以通过 Microsoft Foundry 和 MAI Playground 使用，两颗语音模型也放在 OpenRouter 上。一项测试里，大约 4000 名参与者中的一半认为这些声音属于一个真人。报道没有写明测的是哪一颗模型、哪种语言、参与者听到的是什么任务。

[1]

同一篇还写了实时转录模型 MAI-Transcribe-2-Streaming。微软说它在 Artificial Analysis 的准确率上排第一，能转写 60 种语言，第一批部分结果略多于 100 毫秒就出来。微软说，这样语音智能体可以在对方一句话还没说完时就开始回应。到今年年底，入门价格是每小时音频 0.54 美元。第一名、60 种语言和 100 毫秒都是微软的口径。这篇是 The Decoder 对微软发布的转述，不是微软博客原文。

[1]

要点

  • MAI-Voice-2.1 用同一个声音说 23 种语言。Flash 延迟 150 毫秒，每百万字符 15 美元，标价 22 美元。
  • 两颗语音模型可用几秒参考音频克隆声音，并带有防止滥用的防护。做法没有写。
  • 约 4000 人的测试里，大约一半把声音当成真人。测的是哪一颗，这篇没写。
  • 流式转录是同一篇里的另一颗模型：微软称 60 种语言、首段略多于 100 毫秒、年底前每小时 0.54 美元。