微软于当地时间10月1日发布三款新的语音AI模型，包括实时语音转文字模型MAI-Transcribe-2-Streaming，以及文本转语音模型MAI-Voice-2.1和MAI-Voice-2.1-Flash。其中，MAI-Transcribe-2-Streaming在AI基准测试平台Artificial Analysis的流式语音识别测试中，以2.5%的词错误率（WER）和约0.13秒的延迟，超越SpaceXAI Grok Voice Transcribe 2.0，拿下准确率第一。该模型支持60种语言，年末前优惠价为每小时0.54美元。MAI-Voice-2.1支持23种语言，可跨语言保持声音一致，售价为每100万字符22美元；MAI-Voice-2.1-Flash则以更低延迟和15美元的每100万字符价格面向成本敏感型应用，推理速度提升55%。