微软测试其首款自研全双工 AI 语音 MAI Realtime 模型：支持中文等 16 种语言、2 种风格

8 月 4 日消息，科技媒体 TestingCatalog 于 8 月 2 日发布博文，报道称微软正测试其首款原生实时语音模型 MAI Realtime，支持 16 种语言、2 种语音，可在对话中听说并行，支持自动识别和中途切换语言。

测试方面，消息称微软已邀请部分合作伙伴，在 MAI Playground 平台测试该模型，目前尚不清楚何时上线 Microsoft Foundry，以及扩展到 Copilot 语音功能上。

运行方面，MAI Realtime 采用双向、全双工交互方式，无需严格按“用户说完、模型再答”的轮次交替，可支持同步聆听和回应。

在支持语言方面，MAI Realtime 模型支持中文等在内 16 种语言，援引博文介绍，附上相关支持的语言如下：

• 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

• 印度尼西亚语

• 阿拉伯语

• 俄语

• 土耳其语

• 越南语

• 泰语

在语音风格方面，消息称该模型测试提供 Victoria 和 Grant 两种语音，比 Copilot 目前的语音模式更加自然。用户可以主动地指定语言，也可以启用自动检测。

该模型不支持唱歌或生成非语音音效，定位仍是对话系统。调试面板可显示实时延迟、模型思考内容和处理步骤，样本分享功能或将在测试权限扩大后向平台用户开放。

注：全双工语音（Full-duplex voice）指系统可在同一时间接收用户语音并输出回复，不必等待一方完全说完。它依靠端点检测识别说话开始、停顿和结束，也需要在用户插话时调整输出。

微软此前发布的 MAI 语音模型均为单向模型，包括用于语音合成的 MAI-Voice-2 及其 Flash 版本，以及用于语音识别的 MAI-Transcribe-1.5。