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

IT之家 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，IT之家援引博文介绍，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。



IT之家注：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。

[来源链接] https://www.ithome.com/0/985/297.htm