微软自研全双工语音模型曝光：能听能说，16种语言自由切换

微软在语音AI领域又有新动作。据科技媒体TestingCatalog报道，微软正在测试其首个自研实时语音模型MAI Realtime。这款模型支持16种语言和两种语音风格，最大的亮点是能实现边听边说，对话中还能自动检测语言并切换。换句话说，用户不用等AI说完再开口，对话体验越来越接近真人交流。

从“轮流说话”到“同时听说”

传统语音助手大多是“你一句，我一句”的轮流模式——用户说完，模型再回答。但MAI Realtime采用了双向全双工交互，打破了这种模式。系统通过端点检测技术识别语音的开始、暂停和结束。当用户中途插话时，模型能立即调整输出，实现同步听和说。

这对微软的MAI语音模型家族来说，是个关键转折。此前发布的MAI-Voice-2和MAI-Transcribe-1.5只能完成单向任务，比如语音合成或语音识别。而MAI Realtime让语音交互从单向走向双向，迈出了重要一步。

在语言覆盖上，MAI Realtime支持中文、英文、日文、韩文、法文、德文、阿拉伯语等16种语言。用户既可以主动指定对话语言，也可以开启自动检测功能，让模型在对话中自动识别并切换语言。

语音风格方面，测试版提供了Victoria和Grant两种声音。据称，这两种声音比Copilot目前的语音模式更自然。不过，目前模型还不会唱歌，功能上更侧重于自然对话。

想象一下，你正在和AI助手讨论一个复杂问题，说到一半突然想补充一句，不用等它说完，直接开口就行。这种体验就像和真人聊天一样自然。MAI Realtime的推出，让AI语音交互更接近人类的交流方式，也为未来的智能助手、实时翻译等应用打开了更多可能性。

当然，目前MAI Realtime还在测试阶段，具体何时正式发布、会应用到哪些产品中，微软尚未透露。但可以预见的是，语音交互正在经历一场从“机械问答”到“自然对话”的进化。