Microsoft 发布了什么
10 月 1 日，Microsoft AI 部门在其 Tech Community 博客上发布了 MAI 系列的三款模型：
- MAI-Transcribe-2-Streaming：随着音频的到来将语音转换为文字，支持 60 种语言并可自动识别语言。它会在几百毫秒内给出第一版文字，并在说话人说完后不断修正，直至确定最终转写结果。这是 Microsoft 首款流式转写模型。
- MAI-Voice-2.1：Microsoft 称其为迄今最具表现力的文字转语音模型，支持 23 种语言，适用于以语音质量为首要考量的场景。
- MAI-Voice-2.1-Flash：针对快速响应和大规模处理而优化的版本，支持相同的语言。
Microsoft Foundry Models 产品开发总监 Naomi Moneypenny 表示，这些模型共同为开发者构建自然语音体验提供了更多选择；当应用需要即时采取行动时，在用户说话的同时进行转写就非常重要。提到的用途包括客户服务代理、多语言助手和实时字幕。
速度、价格和可用性
据 Unite.AI 报道，Microsoft 称其转写模型在 Artificial Analysis 的流式转写排行榜上准确率排名第一，而 Flash 模型生成音频的延迟约为 150 毫秒。SiliconANGLE 则报道，首个文字假设的平均延迟约为 320 毫秒，并指出 Microsoft 并不保证在所有场景下都能达到这一数字，因为网络和生成回复的模型也会增加时间。这些是厂商提供的数据，并非独立测试结果。
公布的价格如下：
- MAI-Transcribe-2-Streaming：每小时音频 0.54 美元，为首发价格，有效期至 2026 年底。
- MAI-Voice-2.1：每百万字符 22 美元。
- MAI-Voice-2.1-Flash：每百万字符 15 美元。
三款模型均可在 Microsoft Foundry、MAI Playground、Vercel 和 Azure Voice Live 上使用；语音模型也可在 OpenRouter 上使用。据 Microsoft 介绍，两款语音模型都能凭借几秒钟的音频克隆声音，并内置了同意管控机制。
为何重要：打造不让客户等待的语音代理之争
AI 语音代理的工作原理就像一条三步链：听（将语音转为文字）、想（由语言模型决定如何回复）和说（将回复转为语音）。每一步都会增加延迟，而在电话中，只要几秒钟的沉默，客户就会觉得自己在和一台笨拙的机器说话。Unite.AI 将 Microsoft 的策略概括为在循环的“两端都抢回时间”：在说话人说完之前就开始转写，并用快速的语音作答。
SiliconANGLE 指出，通过将听、推理和说的模型分开，开发者可以分别控制质量、延迟和成本。凭借这次发布，Microsoft 在自动化电话服务领域与专业语音厂商和代理平台展开了更直接的竞争，而这一领域已成为企业生成式 AI 最显眼的应用之一。
对哥伦比亚和拉丁美洲企业的意义
Microsoft 等巨头进军实时语音，对任何通过电话服务客户的企业都有实际影响：
- 竞争更激烈，价格更优惠。当大厂公布按音频小时或百万字符计费的价格时，所有人的通话自动化成本都会趋于下降。
- 对话更自然。延迟更低意味着更少的尴尬沉默，也更少有客户在得到服务前就挂断电话。
- 核实语言和口音。所参考的资料提到转写支持 60 种语言、语音支持 23 种语言，但没有详细说明在哥伦比亚西班牙语上的表现。在选择引擎之前，请用您客户的真实通话进行测试。
- 模型并不是完整的解决方案。要接听电话，还需要号码、电话交换机、转接人工顾问的规则、与 CRM 的连接，以及事先告知客户的录音功能。
- 谨慎使用克隆声音。工具允许克隆声音并不意味着可以未经授权使用；对客户保持透明依然至关重要。
19 80 TIC Cloud 将 AI 语音代理集成到您的云端 PBX 和呼叫中心，让您所选的语音技术通过您自己的企业号码提供服务。
