微軟／官方：MAI-Transcribe-2-Streaming 登 Artificial Analysis 串流轉錄榜首——並推 MAI-Voice-2.1／Flash；六十語轉寫、二十三語發聲；介紹價每小時零點五四美元

重點摘要

微軟人工智能實驗室（Microsoft AI）於官方新聞稿宣佈，推出首款串流語音轉文字模型 MAI-Transcribe-2-Streaming，並同步發布文字轉語音模型 MAI-Voice-2.1 與低延遲變體 MAI-Voice-2.1-Flash。官方指串流轉錄在 Artificial Analysis 榜上最終與首輪部分轉錄準確率均列第一；語音側支援二十三種語言、單一聲線跨語切換，並標示同意防護以防濫用。Azure 文件列為公開預覽。

微軟／官方：MAI-Transcribe-2-Streaming 登 Artificial Analysis 串流轉錄榜首——並推 MAI-Voice-2.1／Flash；六十語轉寫、二十三語發聲；介紹價每小時零點五四美元

微軟人工智能實驗室（Microsoft AI）於官方新聞稿宣佈，推出首款串流語音轉文字模型 MAI-Transcribe-2-Streaming，並同步發布文字轉語音模型 MAI-Voice-2.1 與低延遲變體 MAI-Voice-2.1-Flash。官方指串流轉錄在 Artificial Analysis 榜上最終與首輪部分轉錄準確率均列第一；語音側支援二十三種語言、單一聲線跨語切換，並標示同意防護以防濫用。Azure 文件列為公開預覽。

對香港企業而言，客服語音代理、多語助手與即時字幕正成為標準需求；這次更新把「聽」與「說」兩端放進同一 Foundry／Playground 工具鏈，並公布以音訊小時與每百萬字元計的介紹價，方便資訊科技與採購團隊對照現有 Azure Speech 或第三方語音供應商。

微軟／官方：MAI-Transcribe-2-Streaming 登 Artificial Analysis 串流轉錄榜首——並推 MAI-Voice-2.1／Flash；六十語轉寫、二十三語發聲；介紹價每小時零點五四美元

微軟人工智能實驗室在官方新聞稿（標示發布時間為協調世界時二零二六年十月一日十六時）宣佈，隨同「排名第一」的串流轉錄模型上線，同步推出 MAI-Voice-2.1 與高速變體 MAI-Voice-2.1-Flash，作為構建對話式語音代理的聽寫與發聲組件。本文已核對 microsoft.ai 新聞稿與模型頁、Microsoft Learn 上 Azure Speech／Foundry 文件，以及 Microsoft News Source 轉載內容；來源真實性已驗證。

一、核心事件：聽寫與發聲一次補齊語音代理迴路

技術細節

官方將語音代理描述為必須在「人類仍感覺像對話」的時間窗內完成聽、懂、決策與說的迴路。MAI-Transcribe-2-Streaming 面向即時音訊：支援六十種語言，並提供自動、連續的語言偵測；不需等對方說完才出字，而在收到音訊後約逾一百毫秒產生首輪假設（partials），再隨上下文修正並盡快提交穩定稿。官方稱這讓語音代理可在句子中途開始推理或呼叫工具，即時字幕亦可邊說邊出字；在即時聽寫或字幕等內部評估中，官方指文字出現速度較最接近競爭對手快約兩倍。

在準確率方面，官方指該模型在 Artificial Analysis 串流語音轉文字榜上，最終轉錄與首輪部分轉錄準確率均列第一，並在準確率對延遲評估中位於帕累托前沿。新聞稿圖表數據標示最終字錯誤率約百分之二點五零（Artificial Analysis 串流榜，日期標為二零二六年九月二十八日）。介紹價為每小時音訊零點五四美元，適用至當年年底。

語音生成一側，MAI-Voice-2.1 為官方所述迄今最強多語文字轉語音模型，支援二十三種語言與二十六個地區設定；重點是「同一聲線」可切換英語、普通話、德語等而維持可辨識的同一說話者，並以當地口音呈現，而非把單一口音硬套到所有語言。標價為每百萬字元二十二美元。MAI-Voice-2.1-Flash 支援相同語言與跨語聲線，但針對高流量、對延遲敏感的負載：官方稱可生成四十五秒音訊，端到端延遲約一百五十毫秒；模型推論快約百分之五十五，較可比模型約便宜百分之六十，標價每百萬字元十五美元。兩款語音模型均支援以數秒參考音訊做跨支援語言的聲線克隆，並內建同意防護（consent guardrails）以降低濫用風險。

取得途徑方面，官方寫明可經 OpenRouter 使用兩款 Voice 模型，並可經 Microsoft Foundry、MAI Playground 等取得三款模型；另提及 Vercel、稍後的 LiveKit 與 Azure Voice Live 等整合面。Microsoft Learn 文件將 MAI-Transcribe-2-Streaming 與 MAI-Voice 列為公開預覽，提醒尚無服務等級協議、不建議直接用於正式生產負載，並說明可經類似 OpenAI Realtime 的 WebSocket 或 Azure Speech SDK 接入；串流轉錄文件亦列出瑞典中部、美國中部、東南亞等可服務區域（部分區域標示即將提供）。

二、技術原理深度解析

串流轉錄與批次轉錄的差異，在於必須在說話仍進行時輸出可修正的中間結果。官方強調 partials 讓代理「搶時間」：先根據不完整語音啟動工具或檢索，再在最終稿穩定後校正。這與僅在整段音檔結束後才返回文字的批次模型（例如較早的 MAI-Transcribe-2 批次路線）形成互補——成本與延遲特性亦不同，企業需按「邊說邊做」還是「事後歸檔」選型。

文字轉語音側，跨語單一聲線降低品牌要為每種語言另建聲庫的成本；Flash 以較低每字元價與較短端到端延遲，對接客服高峰與互動式代理。官方並以 MAI Playground 內的 Chatter 示範，把轉寫與發聲串成即時對話代理，方便開發者在同一沙盒驗證閉環，而非分開試聽各模型。

對資安與合規團隊而言，聲線克隆加上同意防護，是產品聲明中的重要對照點：企業若要以品牌聲線對外服務，仍須自行完成收集同意、保留審計與地區私隱法規評估；公開預覽條款亦意味著可用性、配額與功能可能調整。

四、日常應用場景

1. 開發者與技術團隊

可在 Foundry 部署基礎模型，或以 Realtime 相容 WebSocket／Speech SDK 接入既有代理編排；語音輸出亦可經 OpenRouter 試作。適合把現有文字代理加上聽寫與發聲，或替換延遲偏高的第三方串流轉寫。

2. 企業與隱私敏感行業

客服、銀行與保險熱線、內部多語會議字幕、培訓與角色扮演內容，是官方點名的方向。香港金融與專業服務機構若已在 Azure 落地，可把語音層留在既有合約與區域控制內試點；若數據主權要求更嚴，仍應評估音訊是否出境、預覽條款與日後正式版 SLA。

3. 一般用戶

一般消費者可經 MAI Playground 體驗 Chatter 等示範；正式產品體驗則視各 Microsoft 消費面產品是否後續接入而定。目前新聞稿重點在開發者與企業構建代理。

4. 香港與亞洲市場視角

語音模型明示支援包括簡體中文在內的多語切換，對服務粵港兩地、東南亞與內地客戶的香港聯絡中心有直接意義；串流轉錄文件將 Southeast Asia 列為可服務區域之一，有利亞太延遲規劃。同時，假冒客服與語音社交工程在本地持續高企，企業引入語音代理時，更應同步強化身份核實、防釣魚與員工提示——技術升級不能取代保安流程。

五、專業評價與潛在考量

優勢

  • 官方同時交付串流聽寫與多語發聲，並以公開基準宣稱準確率前列與可陳述的介紹價，降低企業組裝語音代理的整合摩擦。
  • 單一聲線跨語與 Flash 低延遲，切合品牌一致的多市場客服與高併發場景。
  • 可走 Foundry／Azure 既有身分與區域佈署，對已採用微軟雲的團隊較易納管。

需要留意的地方

  • Learn 文件標示公開預覽：無 SLA、功能可能受限，不應用於關鍵生產而未備援。
  • Artificial Analysis 排名與「較競爭對手快兩倍」等表述屬供應商引用或內部評估，採購仍應以自有音訊與方言（含粵語場景）重測。
  • 聲線克隆即便利於品牌，亦提高深度偽造與社會工程風險；同意防護是必要但非充分條件。
  • 介紹價有期限（轉錄至年底）；語音每百萬字元價需與通話時長、打斷率一併建模，避免低估高峰成本。

結語

微軟今次以串流轉錄榜首敘事，搭配 Voice 2.1／Flash 與 Playground 示範，把語音代理的聽寫與發聲兩端產品化，並給出可對照的價與延遲數字。對香港企業資訊科技而言，價值在於可於 Azure／Foundry 生態內加速試點多語客服與內部助手，同時必須把預覽條款、方言實測與聲線濫用防護一併納入上線門檻。

若貴公司計劃在香港部署私有或受控的企業 AI（含客服代理、內部知識助手與語音工作流），可參考 YSK Limited 的企業私有 LLM 全託管——數據集建構、QLoRA／LoRA 微調至私有 API，年費由港幣八萬八千元起，強調數據不出境：https://ysk.hk/services/ai-automation

參考來源

延伸閱讀 · 相關服務與產品

相關文章