微软补齐语音Agent全链路：边说边转写，语音生成低至45ms

动察 Beating AI 快讯，微软 AI 一口气推出 3 款音频模型，分别是 MAI-Transcribe-2-Streaming、MAI-Voice-2.1 和 MAI-Voice-2.1-Flash。前者负责实时语音转文字，后两款负责把文字生成语音，主要面向低延迟语音 Agent。 其中，MAI-Transcribe-2-Streaming 可以在人还没说完时持续输出文字，支持 60 种语言和自动语言检测。Artificial Analysis 的流式语音转写榜单显示，它的最终转写和首个部分转写准确率均排名第一，词错误率为 2.5%。最终文本在检测到说话结束后约 0.13 秒返回，Grok Voice Transcribe 2.0 为 2.7% 和 0.49 秒。 MAI-Voice-2.1 支持 23 种语言，可以让同一个声线切换不同语言。Flash 版专门压低延迟，模型推理约 45ms，价格为每百万字符 15 美元；标准版约 550ms，价格为 22 美元。两款模型都支持用一小段参考音频匹配声线。 这套组合解决的是语音 Agent 最影响体验的等待问题。系统可以在用户说话时提前开始转写和推理，再用 Flash 快速生成语音回复，不必等完整一句话结束后才开始工作。