微软放出两套语音模型：实时转写首字延迟约 100 毫秒，合成音色跳 23 种语言保持一致

十月二日，微软 AI 发布了一批面向语音 agent 的模型。转写侧是 MAI-Transcribe-2-Streaming，官方称其在 Artificial Analysis 的准确率榜上排第一，覆盖 60 种语言，第一个部分结果在约 100 多毫秒内返回——这让语音 agent 能在用户话还没说完时就开始回应，而不是等整句说完。价格是年内首发价每小时音频 0.54 美元。合成侧有两个新模型：MAI-Voice-2.1 能用同一个音色说 23 种语言，并且每种语言都是本地口音而不是带口音的外语；MAI-Voice-2.1-Flash 走低延迟路线，约 150 毫秒，价格从每百万字符 22 美元降到 15 美元。这批模型补的是语音 agent 里最影响体感的两端：听得够快、声音够统一。