微软测试新的 MAI Realtime 语音模型（2分钟阅读）

# 独家：微软测试全新 MAI Realtime 语音模型 来源：https://www.testingcatalog.com/exclusive-microsoft-tests-new-mai-realtime-voice-model/ 微软似乎正在准备推出其首个原生实时语音模型，名为 MAI Realtime。该模型已作为隐藏的早期体验入口出现在公司的 MAI Playground 中。这一列表显示，已有少量合作伙伴获得了实际使用权限。从可见信息来看，这似乎是一个双向、全双工系统——能够同时收听和说话，而非轮流交互，使其直接对标 OpenAI 的 GPT Live 1（https://www.testingcatalog.com/openai-rolls-out-gpt-live-voice-for-chatgpt-on-web-and-mobile/）或 Sesame（https://www.testingcatalog.com/sesame-debutes-ios-app-in-preview-with-personal-voice-agents/）。 > 它支持英语、德语、西班牙语、法语、意大利语、葡萄牙语、日语、韩语、中文、荷兰语、印地语、印尼语、阿拉伯语、俄语、土耳其语、越南语和泰语。pic.twitter.com/7BmcW2MBa0 (https://t.co/7BmcW2MBa0?ref=testingcatalog.com) — 🚨 AI News | TestingCatalog (@testingcatalog) 2026年8月2日 (https://x.com/testingcatalog/status/2083928447450067196?ref_src=twsrc%5Etfw&ref=testingcatalog.com) 目前提供两种语音：Victoria 和 Grant，两者都比 Copilot 当前语音模式明显更自然。语言可以手动固定，也可以保持自动检测，模型能够在对话中途切换语言且不会失去连贯性。对话轮次可通过两种侦听选项进行配置：一种**Switchboard 模式**，基于由内联控制 token 驱动的 MAI-Ears 端点检测器；另一种**确定性配置**，将基于静音的端点检测与 Whisper 语义端点检测器结合使用。 两者在实际使用中的差异较为微妙，但中断处理干净利落，响应延迟也较低。该模型不会唱歌或产生非语音声音，这使其严格意义上属于对话系统，而非通用音频生成器。调试面板展示了实时延迟数据、模型思考与处理步骤，而一旦访问范围扩大，Playground 用户预计还将获得样本共享功能。 这将填补一个明显的空白。目前微软已发布的所有 MAI 语音模型（https://www.testingcatalog.com/microsoft-previews-mai-image-2-5-pro-and-mai-voice-2-flash/）都是单向运行的：MAI-Voice-2 及其 Flash 版本用于合成，MAI-Transcribe-1.5 用于识别，而 Azure Speech 中 Voice Live API 的语音到语音层仍依赖 GPT-Realtime 模型。一个自研的全双工模型将终结 Mustafa Suleyman 超级智能团队在这方面的依赖。该团队在 Build 2026 上发布了七款自研模型，并一直在稳步将 OpenAI 组件从 Copilot、Teams 和 Bing 中替换出来。Microsoft（https://www.testingcatalog.com/tag/microsoft/）Foundry 很可能是开发者端的目标平台，而 Copilot 语音则是显而易见的消费端入口，不过两者目前均未公布时间表。