动态
微软开源 MAI-Voice-2.1 与 MAI-Transcribe-2-Streaming：23/60 语言原生口音，150ms/100ms 延迟
微软 MAI 团队 10 月 3 日发布两款开源语音栈模型：MAI-Voice-2.1（23 种语言原生口音，Flash 版 150ms 首包延迟）与 MAI-Transcribe-2-Streaming（60 种语言实时转写，首批延迟 ~100ms）。
来源： AI 日报（ai6s.net）
是什么
10 月 3 日，微软 MAI（Microsoft AI）团队发布两款开源语音栈模型：
- MAI-Voice-2.1：TTS 模型，23 种语言原生口音（非通用英文转写方言），Flash 版首包延迟约 150 毫秒
- MAI-Transcribe-2-Streaming：实时转写模型，60 种语言，首批延迟约 100 毫秒，流式输出
与既有方案的差异
与 Whisper-large-v3 / CosyVoice 等主流开源语音栈相比：
| 维度 | MAI-Voice-2.1 | CosyVoice-2 | Whisper-large-v3 |
|---|---|---|---|
| 实时流式 | ✓（Flash 150ms） | ✓（部分） | ✗（离线为主） |
| 原生口音 | 23 种 | 中文方言为主 | N/A（仅识别） |
| 首包延迟 | 150ms | ~200ms | N/A |
| 许可证 | 开源 | 开源（社区） | MIT |
| 维度 | MAI-Transcribe-2-Streaming | Whisper-large-v3 | Paraformer |
|---|---|---|---|
| 流式 | ✓ | ✗ | ✓ |
| 语种数 | 60 | 99 | 中英 |
| 首批延迟 | 100ms | N/A | ~300ms |
本地部署角度
Flash 版 TTS 面向实时对话/客服场景，单张消费级 GPU 即可；流式转写对内存与 CPU 调度敏感，建议 16GB+ 工作站或云端推理服务。社区量化与 ONNX 导出版待跟踪。