Microsoft 发布流式听写与多语言语音模型，分项公布费用
Microsoft 的新流式转录支持 60 种语言，年底前每小时音频 0.54 美元；两款语音生成模型支持 23 种语言，可延续同一说话人的声音。
Microsoft 发布 MAI-Transcribe-2-Streaming、MAI-Voice-2.1 和 MAI-Voice-2.1-Flash，分别用于流式转录与语音生成。转录支持 60 种语言和持续自动语言检测，公司称接收音频后刚超过 100 毫秒便能给出首批临时文本，再随上下文修订。这个时间衡量首批结果，完整转录仍需后续处理。
年底前转录推广价为每小时音频 0.54 美元。两款语音模型支持 23 种语言、26 个地区版本，MAI-Voice-2.1 每百万字符 22 美元，Flash 为 15 美元。Microsoft 称，模型可以保持同一说话人的声音身份并使用对应语言的口音；字符计费与转录的音频时长计费需要分开估算。
公司还称，Flash 可用 150 毫秒端到端生成延迟生成 45 秒音频，数秒参考音频可用于跨语言声音复制，并内置同意保护措施。这些是厂商报告，本站没有独立测量；音频生成速度也不包含智能体听取、思考、调用工具后再答复的全部时间。
来源
- Our first streaming transcription model debuts at no. 1 on Artificial Analysis | Microsoft AI — Microsoft AI
- Microsoft AI releases new transcription and text-to-speech models for voice agents — The Decoder