微软发布MAI-Transcribe-2-Streaming及新一代语音模型

北京时间10月1日深夜，微软公司正式对外发布全新语音处理解决方案MAI-Transcribe-2-Streaming，同步推出两款升级版语音生成模型MAI-Voice-2.1及MAI-Voice-2.1-Flash。此次技术更新标志着微软在实时语音转写与合成领域迈出关键一步。

根据官方披露的定价策略，MAI-Transcribe-2-Streaming服务将在2024年底前提供限时优惠，标准定价为每音频小时0.54美元。语音生成模型方面，MAI-Voice-2.1按处理字符量计费，每百万字符收费22美元；其轻量化版本MAI-Voice-2.1-Flash则以每百万字符15美元的价格提供，适合对响应速度要求更高的应用场景。

技术文档显示，MAI-Transcribe-2-Streaming支持超过80种语言的实时转写，转写准确率较前代产品提升17%，特别优化了会议场景下的多发言人识别能力。两款语音生成模型均采用最新神经网络架构，其中MAI-Voice-2.1-Flash通过模型压缩技术将生成延迟控制在300毫秒以内，满足实时交互需求。