微软在Foundry平台推出三款语音AI模型：MAI-Transcribe-2-Streaming可实时转写语音，数百毫秒内生成初步结果并逐步修正，在准确率榜单上排名第一；MAI-Voice-2.1主打多语言自然语音合成；Flash版优化高并发场景的响应速度与成本。业内人士认为语音AI已趋成熟，但真正难点在于判断对话轮次，延迟与轮次管理须同步改进，否则加速反而导致更多打断。