科技媒体 testingcatalog 消息，微软正对其首个多语言原生实时语音模型 mai realtime 展开内部测试。该模型覆盖 16 种语言、提供 2 种语音风格，支持“边听边说”的全双工对话模式，并具备自动语种识别与实时切换能力——用户可在 ai 发言过程中随时打断并继续表达，交互流畅度显著提升，接近真实人类对话节奏。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
MAI Realtime 采用双向全双工架构，彻底摆脱传统语音助手“你说完、我再答”的单向轮询机制。系统依托先进端点检测技术，精准捕捉语音起始、停顿及终止节点；当用户中途插入发言时，模型可即时中断当前响应、动态调整语义理解与输出策略，实现真正的同步聆听与生成。此举标志着微软 MAI 语音技术体系正式迈入双向交互新阶段——此前发布的 MAI-Voice-2（专注语音合成）与 MAI-Transcribe-1.5（专注语音识别）均为单任务、单向处理模型。
语音更拟真，但暂不支持音乐类输出
在语言适配层面，MAI Realtime 已兼容中文、英语、日语、韩语、法语、德语、阿拉伯语等共 16 种主流语种。用户既可手动设定目标语言，也可启用自动语种识别功能，模型将在多语混杂的对话中自主判断并无缝切换语种。语音风格方面，当前测试版提供 Victoria 与 Grant 两种音色选项，官方表示其自然度、韵律感和情感表现力均优于现有 Copilot 语音方案。
需要说明的是，该模型定位为专业级对话引擎，暂未集成歌唱能力或非语音类音频生成（如音效、乐器模拟等）。调试界面可实时呈现端到端延迟、模型内部推理链路及关键决策节点；样本导出与共享功能预计将在测试范围进一步扩大后，逐步向更多平台开发者开放。目前，微软已定向邀请部分生态合作伙伴入驻 MAI Playground 进行实机验证，但关于该模型何时接入 Microsoft Foundry 平台、以及何时整合进 Copilot 全系语音服务，官方尚未公布具体路线图。从单向响应走向实时协同，从分段交互升级为连续对话，MAI Realtime 的出现，正预示着 AI 语音交互的“对讲机范式”或将退出历史舞台。
