微软于10月1日发布三款语音AI模型，剑指语音合成赛道绝对霸主ElevenLabs。
**MAI-Voice-2.1 — 表现力最强的TTS模型**
MAI-Voice-2.1支持23种语言、26个地区设置，核心亮点是"跨语言声线一致"：同一个AI声音可以说任何一种语言，口音自然切换，声线身份保持不变。例如，一个多语言家教AI可以用同一把"声音"教英语、西班牙语和普通话，无需更换配音演员。该模型定价为每百万字符22美元（约每百万Token 22美元）。在4000人图灵测试中，50.3%的听众认为MAI-Voice合成语音与真人录音无异。
**MAI-Voice-2.1-Flash — 极速版，延迟仅150ms**
面向低延迟场景的Flash版本可生成45秒音频，端到端延迟150毫秒，推理速度比竞品快55%，成本低约60%，定价每百万字符15美元。微软建议将MAI-Voice-2.1-Flash与MAI-Transcribe-2-Streaming组合，构建"听-想-说"极速语音代理闭环——在人类仍感知为对话的窗口内完成整个交互。
**MAI-Transcribe-2-Streaming — 流式转录夺双榜第一**
除两款TTS外，微软同步发布流式语音识别模型MAI-Transcribe-2-Streaming，支持60语言实时转录，首批结果输出延迟约100毫秒，最终转录词错率（WER）低至2.5%，在Artificial Analysis流式转录榜单中同时拿下准确率与速度双榜第一，定价为每小时音频0.54美元（年内优惠价）。
**剑指ElevenLabs**
微软AI语音产品线负责人Suleyman表示，新模型专为"语音代理"时代设计——AI不再是被动问答，而是主动帮用户打电话、预约、做客服。当前语音合成市场以ElevenLabs为事实标准，其v3版本以高表现力著称。MAI-Voice-2.1的图灵测试结果表明微软正在缩小差距，而价格与延迟优势可能成为吸引开发者的关键筹码。
---
**参考来源：**
- Microsoft AI Blog: https://microsoft.ai/news/our-first-streaming-transcription-model/
- Unite.AI: https://www.unite.ai/microsoft-launches-mai-transcribe-2-streaming-and-two-mai-voice-models/
- MindStudio: https://www.mindstudio.ai/blog/microsoft-mai-voice-2-1-transcribe-2
- LinkedIn (Jakob Nielsen): https://www.linkedin.com/posts/jakobnielsenphd_two-t2v-models-elevenlabs-v3-vs-mai-voice-activity-7367499913795948545-4rpD
- Learn Microsoft Docs: https://learn.microsoft.com/en-us/azure/ai-services/speech-service/mai-voices
热门AI工具推荐
焚书AI多模型聚合平台
AI多模型聚合平台（ Claude 系列、GPT 系列）支持聊天、搜索、图片、视频、音乐等多种功能；聚合了 Claude 系列（如 Sonnet 5、Opus 5 等）、Gemini 系列、GPT 系列、DeepSeek（搜索模式默认调用 DeepSeek V4 Pro）以及通义千问、Kimi 等数十款国内外主流模型。
火山方舟 Coding Plan字节跳动
AI编程订阅服务，支持多款国产主流编程模型自由切换。
Seedance 2.0AI视频生成
具备卓越的物理真实性和角色一致性，可生成电影级视频内容。
方舟 Agent PlanAI智能体订阅
火山引擎推出的全场景AI智能体订阅服务，通过一个订阅整合5大主流模型和10+AI工具
SpeedAIAI内容检测降重
AI内容检测与降重工具，能有效帮助用户通过论文AI率检测
秒哒AI工具
不懂代码也能开发应用？百度秒哒：无需编程，快速搭建小程序与网站
有戏AIAI漫剧生成工具
全流程AI短剧创作工具，实现从剧本到成片的自动化生产，让“一人即剧组”成为现实。
沁言学术智能科研平台
一站式文献管理与科研写作工具,支持边写作边搜索文献,高效阅读,文献管理,