動察 Beating AI 快訊，微軟 AI 一口氣推出 3 款音頻模型，分別是 MAI-Transcribe-2-Streaming、MAI-Voice-2.1 和 MAI-Voice-2.1-Flash。前者負責實時語音轉文字，後兩款負責把文字生成語音，主要面向低延遲語音 Agent。
其中，MAI-Transcribe-2-Streaming 可以在人還沒說完時持續輸出文字，支持 60 種語言和自動語言檢測。Artificial Analysis 的流式語音轉寫榜單顯示，它的最終轉寫和首個部分轉寫準確率均排名第一，詞錯誤率為 2.5%。最終文本在檢測到說話結束後約 0.13 秒返回，Grok Voice Transcribe 2.0 為 2.7% 和 0.49 秒。
MAI-Voice-2.1 支持 23 種語言，可以讓同一個聲線切換不同語言。Flash 版專門壓低延遲，模型推理約 45ms，價格為每百萬字符 15 美元；標準版約 550ms，價格為 22 美元。兩款模型都支持用一小段參考音頻匹配聲線。
這套組合解決的是語音 Agent 最影響體驗的等待問題。系統可以在用戶說話時提前開始轉寫和推理，再用 Flash 快速生成語音回復，不必等完整一句話結束後才開始工作。