微软测试自研全双工 AI 语音模型 MAI Realtime

8 月 2 日消息，科技媒体 TestingCatalog 发布博文称，微软正在测试其首款原生实时语音模型 MAI Realtime。该模型支持 16 种语言、2 种语音风格，可在对话中实现听说并行，还能自动识别并中途切换语言。

在测试渠道方面，消息称微软已邀请部分合作伙伴在 MAI Playground 平台试用该模型。目前尚不清楚该模型何时会上线 Microsoft Foundry，也未明确是否会扩展到 Copilot 的语音功能中。

在运行方式上，MAI Realtime 采用双向、全双工交互模式。与传统的「用户说完、模型再答」的轮次交替不同，该模型可以同步进行聆听和回应。这种机制使得对话体验更接近真人交流，对于打断、抢话这类自然对话行为，理论上都能被更好地处理和响应。

在语言支持方面，该模型覆盖英语、中文、日语、韩语、德语、法语等 16 种语言。在语音风格上，测试版本提供了 Victoria 和 Grant 两种声音选择。据博文描述，这两种声音比 Copilot 目前的语音模式更加自然。

从技术布局来看，微软在自研语音方向已有公开动作。微软官方文档显示，MAI-Voice 是一系列文本转语音模型，已在 Foundry Tools 中通过 Azure 语音服务提供公开预览。其中，MAI-Voice-2-Flash 支持 15 种语言和 18 个区域设置，专为低延迟实时文本转语音优化；MAI-Voice-2 则支持 15 种以上语言，聚焦于高保真长形式内容生成。文档示例语音包括 en-US-Harper（女性）和 en-US-Ethan（男性），还支持通过 SSML 控制情感与风格，例如 excited 等样式。

从产品定位上看，MAI-Voice 系列主要主打文本转语音的输出端，而 MAI Realtime 瞄准的则是完整的实时对话链路，两者更像是同一技术路线上的不同落点。目前该模型仍处于邀请测试阶段，具体能力表现和最终上线节奏还需等待官方的进一步消息。