微軟測試其首款自研全雙工 AI 語音 MAI Realtime 模型：支持中文等 16 種語言、2 種風格

微軟正在測試其首款自研原生實時語音模型 MAI Realtime，這款模型採用全雙工交互技術，能夠同時聆聽與回應，打破傳統「輪流發話」的對話模式。根據科技媒體 TestingCatalog 於 8 月 2 日發布的報導，該模型目前已在微軟的 MAI Playground 平台上開放給部分合作夥伴進行測試，但尚未公布正式上線 Microsoft Foundry 或擴展至 Copilot 語音功能的具體時間。MAI Realtime 最大的特色在於其雙向、全雙工的語音處理能力。

傳統的語音助理往往需要使用者說完一句話後，模型才能開始回應，而 MAI Realtime 則可以在使用者說話的同時，同步進行聆聽與輸出回應。這項技術仰賴精確的端點檢測，能夠辨識說話的開始、停頓與結束，並且在使用者插話時即時調整輸出內容，讓對話更接近人類自然交流的流暢度。在語言支援方面，MAI Realtime 涵蓋 16 種語言，包括英語、德語、西班牙語、法語、義大利語、葡萄牙語、日語、韓語、中文（繁體/簡體）、荷蘭語、印地語、印尼語、阿拉伯語、俄語、土耳其語、越南語及泰語。使用者可以手動指定對話語言，也可以啟用自動檢測功能，讓模型在對話過程中根據使用者輸入的語言即時切換，無需額外設定。

語音風格方面，目前測試階段提供兩種語音選項，分別命名為 Victoria 與 Grant。據了解，這兩種語音比微軟現有 Copilot 語音模式更加自然、擬真，能帶來更貼近真人對話的聆聽體驗。不過模型定位為純對話系統，並不支援唱歌或產生非語音音效，例如環境音或擬聲效果，用途上仍以語音互動為核心。在測試過程中，開發者或測試人員可以透過調試面板即時檢視模型的延遲數據、思考內容以及處理步驟。此外，微軟也計畫在測試權限擴大後，向平台用戶開放樣本分享功能，讓更多開發者得以觀摩或測試模型在不同情境下的表現。值得注意的是，微軟過去推出的 MAI 系列語音模型均為單向設計。

例如用於語音合成的 MAI-Voice-2 及其 Flash 版本，以及用於語音辨識的 MAI-Transcribe-1.5，都只能分別處理輸出或輸入任務。MAI Realtime 是微軟首款同時具備語音辨識與合成能力、並能即時雙向互動的原生實時模型，標誌著微軟在語音 AI 技術上邁入新的階段。目前外界尚不清楚 MAI Realtime 何時會正式對外發布，也無法確認它是否會整合到 Copilot 或其他微軟產品中。

不過從測試規模與合作夥伴的反饋來看，微軟顯然正在積極布局更自然的語音互動體驗，尤其是針對多語言環境與即時對話場景，MAI Realtime 的出現或將為未來語音助理的互動方式帶來顯著改變。