微软上新三款语音 AI 模型，转写登顶、配音支持 23 种语言

一句话说清：微软一口气发了三个语音 AI 模型，一个把「边听边转文字」做到行业第一，两个能把文字念成 23 种语言的真人级语音，对做字幕、会议记录、客服语音助手的普通人很实用。

发生了什么

2026 年 10 月 1 日，微软发布三款新的语音 AI 模型：

• MAI-Transcribe-2-Streaming（实时语音转文字）：在第三方评测里，它的最终转写错误率低到 2.5%、从说话结束到出文字只要约 0.13 秒，在 38 款模型里准确率排第一，比上一代的 Grok、Muse 同款都更快更准。它支持 60 种语言，而且不用等你说完才开始出字，是「边听边写」。
• MAI-Voice 2.1（文本转语音）：一个声音可以跨 23 种语言、26 个地区保持同一种音色和母语口音，不用为每种语言单独配声优。
• MAI-Voice 2.1-Flash（低延迟版）：面向对速度和成本敏感的场景，推理速度提升 55%、成本比同类低约 60%，每百万字符约 15 美元（约 0.6 元 / 千字）。

微软说，这三个模型已经逐步接进 Microsoft Foundry 以及 Copilot、Teams、GitHub、Dynamics 365 等产品里。

对我有什么用

• 经常开会、上网课的人：实时转写能边听边出字幕和纪要，比事后手动整理省太多事。
• 做视频、播客、有声内容的人：MAI-Voice 能用一个声音讲多国语言，做双语字幕、外语配音门槛更低。
• 小公司做客服 / 语音助手：低延迟版适合呼叫中心、语音问答这类「不能卡顿」的场景。
• 普通用户：以后你在微软系产品里听到的 AI 语音会更自然，不再是机械腔。

我可以怎么做

1. 想试转写，先等它在本国 / 本账号的开放进度，目前主要面向开发者推广期，普通用户会随 Copilot、Teams 逐步可用。
2. 做配音可以关注 OpenRouter 等已上架渠道（微软语音模型已在部分平台开放调用），先用免费额度试一小段。
3. 企业用户可去 Microsoft Foundry 看接入文档，把它接进自己的会议、字幕、客服流程。
4. 别把「AI 配音」当真人：网上越来越多以假乱真的声音，涉及钱和身份时一律二次核实（这点对反诈也重要）。

温馨提醒

• 这些模型支持「几秒参考音频就能克隆声音」，官方加了同意机制等安全措施，但普通人也要管好自己的声音素材，别随便把录音发到不明平台。
• 语音越真，诈骗越好伪装——接到「熟人 / 医生 / 客服」语音来电要转账、买礼品卡，先挂断再用你存的号码回拨核实。
• 模型目前偏企业 / 开发者侧，定价不低（转写约 0.54 美元 / 小时），个人尝鲜别被「付费内测」骗局割韭菜。