Microsoft发布3款语音AI模型，包括一款流式转写模型和两款语音合成模型。
据外媒SiliconANGLE当地时间10月2日报道，此次发布的核心产品是Microsoft首款流式转写模型MAI-Transcribe-2-Streaming。该模型可将语音实时转换为文本，在语音输入过程中持续更新转写结果，并在发言结束后输出最终文本。
报道称，这一模型可用于实时字幕等场景，也适合在用户发言尚未结束时提前启动请求处理流程的应用。
MAI-Transcribe-2-Streaming平均可在320毫秒内返回首个转写候选结果，支持60多种语言，并可自动识别输入语言。其定价为每小时音频收费0.54美元。
此次一并发布的两款语音合成模型分别为MAI-Voice-2.1和MAI-Voice-2.1-Flash。其中，MAI-Voice-2.1侧重表现力和音质，MAI-Voice-2.1-Flash则以部分性能为代价，换取更快的响应速度和更低的使用成本。两款模型均支持23种语言。
Microsoft上月还推出了非流式版本MAI-Transcribe-2，定价为每小时音频0.10美元，价格约为流式版本的五分之一。报道指出，流式模型需要在音频输入过程中持续返回中间结果，因此计算和处理负担更高。
报道认为，此次发布也是Microsoft推进自研模型战略的一部分。SiliconANGLE称，Microsoft AI首席执行官Mustafa Suleyman今年7月曾表示，在市场对OpenAI和Anthropic高性能模型成本上升的担忧加剧之际，公司将进一步强化MAI模型体系，并计划将自研模型应用于Excel、Outlook等平台的Copilot代理。
记者信息
Chi-gyu Hwang (황치규)
delight@d-today.co.kr