微軟發布 MAI-Transcribe-2-Streaming 即時語音轉錄模型，延遲僅 0.13 秒，並推出 MAI-Voice-2.1

微軟於 10 月 1 日宣布推出首款即時串流語音轉文字模型 MAI-Transcribe-2-Streaming，並同步發布 MAI-Voice-2.1 與 MAI-Voice-2.1-Flash 兩款語音生成模型。 MAI-Transcribe-2-Streaming 支援 60 種語言，具備連續自動語言偵測能力，無須手動設定即可識別對話中的語言變化。延遲表現方面，模型在接收音訊後約 100 毫秒內可生成首批部分文字；據 Artificial Analysis 測試，其最終轉錄延遲為 0.13 秒，詞錯誤率為 2.50%，在 28 款同類模型中位列第一。 定價部分，該模型目前優惠價為每小時 0.54 美元（非串流版 MAI-Transcribe-2 為每小時 0.10 美元），可透過 Microsoft Foundry、MAI Playground 與 OpenRouter 存取。 此外，官方文件顯示 MAI-Voice-2.1 模型支援 23 種語言，並具備受限的即時語音複製（gated instant voice cloning）功能。