微软推出 MAI 语音三件套

一句话说清：微软新出三款语音模型，让语音助手听得快、说得真、还便宜。

发生了什么

微软在 10 月 2 日发布了三款语音相关模型：MAI-Transcribe-2-Streaming（实时语音转文字）、MAI-Voice-2.1（多语种语音合成）、MAI-Voice-2.1-Flash（高速低价的语音合成）。简单说，一套负责"听"，两套负责"说"。其中实时转录模型在权威榜单上准确率排第一，收到声音后约 100 毫秒就开始出字幕。

对我有什么用

以后你用的语音助手、智能客服、实时字幕会更跟手：它能在你话没说完时就边听边出字幕；说话的声音也能保持同一个"人"的腔调，在不同语言间自由切换。对做小生意、做教程、做无障碍辅助的人来说很实用。

我可以怎么做

普通用户暂时不用自己去调这些模型。如果你用的 App（比如客服、翻译、配音工具）标注"由 Microsoft MAI 提供支持"，体验会比以前更自然。想尝鲜可以等国内平台接入后再试，不用着急。

温馨提醒

这些模型支持"声音克隆"（几秒录音就能仿出某人声音），微软说加了防滥用护栏，但技术本身也能被坏人拿去诈骗。接到"熟人"语音借钱，一定电话或视频核实，别光听声音就信。