微軟首款自研全雙工 AI 語音模型曝光：聽說並行，16 種語言自由切換

微軟首款原生全雙工語音模型「MAI Realtime」曝光，這款被視為打破傳統語音助手「對講機」模式的AI模型，正試圖讓機器與人之間的對話，從「輪流發言」進化為真正的「並行交流」。這項消息由科技媒體 TestingCatalog 率先披露，隨即引發業界高度關注，因為它不僅是微軟在語音AI領域的技術突破，更可能重新定義未來人機互動的樣貌。長期以來，無論是智慧音箱、手機語音助理還是客服機器人，使用者都必須遵循一種固定的對話節奏：先等AI說完、再開口回應，彼此之間存在明顯的「話語權」交接。這種輪次交替（turn-taking）模式雖然成熟，卻也成了人機對話自然度的最大瓶頸。

微軟此次曝光的 MAI Realtime 模型，則採用了雙向的全雙工（full-duplex）交互方式，意味著系統能在聆聽使用者說話的同時，即時產生並輸出語音回應，使用者無需等待AI把話講完就能打斷、插話，雙方的對話節奏將無限逼近真人互動。這項技術突破的核心，在於一套精密的端點檢測（endpointing）機制。該系統能夠即時辨識語音信號中的開始、停頓與結束，當偵測到使用者中途插話時，模型會立刻調整當下的輸出內容，在「聽」與「說」之間達成近乎零延遲的同步切換。

這也讓MAI Realtime成為微軟MAI語音模型家族中，首款具備雙向能力的原生模型——此前推出的 MAI-Voice-2 與 MAI-Transcribe-1.5，分別只能單向執行語音合成或語音識別任務，完全無法應付複雜的即時對話情境。在語言支援方面，MAI Realtime 展現了頗具野心的全球化布局。據悉，該模型目前支援包含中文、英語、日語、韓語、法語、德語、阿拉伯語在內的16種語言。不僅如此，系統還提供兩種語言操作模式：使用者可以主動指定對話語言，也可以開啟自動檢測功能，讓模型在對話過程中即時識別語種，並於中途無縫切換。

這項設計讓「中英夾雜」或「多語混用」的對話情境不再卡關，對跨國商務、旅行溝通與多語服務場景而言，具有相當實用的意義。語音風格方面，測試版本目前提供 Victoria 與 Grant 兩種聲音。根據實際體驗者的描述，這兩款聲音的自然度與情感表現力，都比現行 Copilot 語音模式要來得更為流暢生動。不過，這款模型的定位仍被嚴格限制在「對話系統」範疇，它不會唱歌，也無法生成咳嗽、笑聲等非語音音效。換句話說，MAI Realtime 追求的是在人類真實交談的語境中，做到高度擬真的即時互動，而非打造成一個全能的聲音表演工具。

值得一提的是，MAI Realtime 的測試版本還配備了「調試面板」，可供開發者與測試人員即時查看包括延遲數據、模型內部思考內容與處理步驟在內的技術細節。這樣的設計，不僅有助於合作夥伴深入理解模型運作機制，也為後續優化提供了關鍵的數據支撐。官方也透露，樣本分享功能可望在測試範圍擴大後，向更多平台的用戶開放。目前，微軟已經邀請部分合作夥伴，在自家的 MAI Playground 平台上進行內部測試。然而，關於何時正式上線 Azure AI Foundry、何時進一步整合至 Copilot 語音功能，官方並未給出明確時間表。

外界普遍認為，這款模型的商用化路徑仍處於早期階段，但其所揭示的技術方向，已經讓AI語音市場的競爭進入新的層次。將時間軸拉長來看，微軟這一連串動作，其實是其在AI戰略布局中的一環。從先前陸續推出的 MAI-Voice-2 與 MAI-Transcribe-1.5，到如今的 MAI Realtime，微軟正逐步搭建起從單向辨識、單向合成，到雙向即時對話的完整語音AI拼圖。而這背後，也反映出微軟執行長納德拉所強調的「多模型架構」思維，在自研模型之外，持續降低對單一AI實驗室的依賴，轉而走出一條更為自主的技術路線。與此同時，微軟在雲端運算與AI投資上的雙線布局也正同步推進。

據悉，微軟雲端年營收首度突破千億美元，而對 Anthropic 的投資更在單季貢獻了可觀收益。這些財務數據顯示，微軟正以「基礎設施+自研模型+多重夥伴」的組合拳，鞏固其在AI時代的關鍵地位。MAI Realtime 的出現，恰如其分地向業界傳遞出一個訊號：在語音互動領域，微軟不只滿足於追趕，而是準備好引領下一階段的變革。過去幾年間，語音AI的發展歷經了從「聽得懂」到「說得好」的演進，如今則正式邁向「談得來」的全新階段。當機器不再只是被動等待指令，而是能以極其自然的節奏與人類同步「對話」，這對智慧客服、虛擬助理、教育訓練、醫療照護等場景都將帶來深遠影響。

MAI Realtime 透過端點檢測、即時中斷回應與多語切換等技術，讓AI語音不再那麼像「機器」，而更像是真正能夠聆聽與回應的對話夥伴。當然，從內部測試到全面商用，MAI Realtime 仍有諸多挑戰需要克服。語音的即時性對運算資源與延遲控制的要求極高，如何在多語言環境下維持穩定表現，以及在開放場景中避免誤判或對話混亂，都是後續必然要面對的課題。但可以肯定的是，微軟已用這款產品向市場宣示，語音AI的「對講機時代」並非不可撼動，一個近乎真人同步交流的嶄新篇章，正在悄然展開。