10 月 1 日，Microsoft AI 一口气发了三个语音模型，三个都标了价。实时转写模型 MAI-Transcribe-2-Streaming，每音频小时 0.54 美元。语音合成模型 MAI-Voice-2.1，每百万字符 22 美元。轻量版 MAI-Voice-2.1-Flash，每百万字符 15 美元。数字出自微软官方博客，Windows Report 整理了同一组价格。
电话客服的成本表里，语音这一层向来最好算。现在微软把这一层的价格直接贴在了门上。
发布稿里有什么
转写模型主打快。微软说首批转写结果只要略超 100 毫秒就出来，字蹦出来的速度是最接近的竞品的两倍，在 Artificial Analysis 的榜单上，中途的临时结果和最终稿的准确率都排第一。这个排名是微软自己在博客里引的，我们没有去榜单上逐项核对。模型支持 60 种语言，能自动识别说的是哪一种。0.54 美元是年底前的推广价，年后的标准价没有披露。
两个合成模型覆盖 23 种语言、26 个地区口音，同一个声音换语言也能保住原来的口音。只要几秒钟的参考音频，就能克隆出一个声音，微软说内置了授权校验。Flash 版的说法是推理快 55%，比同类模型便宜约 60%，生成 45 秒音频的端到端延迟约 150 毫秒。「同类模型」指谁，发布稿没有点名。
三个模型目前通过 Microsoft Foundry、MAI Playground、Vercel 和 Azure Voice Live 提供，LiveKit 的接入标的是「即将」。
单价倒推
先看转写。每小时 0.54 美元，折下来一分钟不到 1 美分。SiliconANGLE 的报道里提到，微软自家的非实时版 MAI-Transcribe-2 是每小时 0.10 美元。实时版是它的 5.4 倍。多出来的这笔钱买的不是准确率，是延迟：对方还在说话，字就得上屏。语音客服要的是这个，会议纪要不要。
再看合成。我们粗估正常语速每分钟念出 1,000 个字符左右，这是我们的估算，不是微软的数字。照这个速度，每百万字符 22 美元大约是每小时语音 1.3 美元，Flash 大约 0.9 美元。
把一通电话的两头加起来，一边是实时转写在听，一边是 Flash 在回话，语音费用约 1.45 美元一小时。这还没有算中间那个负责「想」的语言模型，那才是贵的部分，微软这次没有给它标价。人工坐席一小时多少钱，我们手里没有微软或任何一家的数，没法直接给出比值。客服运营负责人拿自己的账本，一分钟就能算完。
价格之外缺什么
缺的正是我们最想看的两样东西：发布稿没有点名任何客户，也没有给任务完成率。这一点要紧，因为语音这一层从来不是难处。Google 的 Gemini 3.8 Live 在 9 月的评测里，音频推理拿到 97.7%，到了 Sierra 的银行通话任务，只办成 35.1%。听得清、说得出已经接近解决，把一通电话办成还没有。微软这次的发布，也没有动这个数。
谁在这条价格线下面
最先是一线语音客服。我们 7 月写过，微软自己的客服团队已经从 5 万人缩到 4 万人，Forrester 的一位分析师预计到 2030 年这类岗位会少一半。实时语音有了公开报价，这个预测就多了一个输入项。
其次是实时字幕和会议转录。批量转写已经是每小时 0.10 美元，实时版现在是 0.54 美元。
再往下是旁白类的活：电子课程、电话语音提示、多语配音。一个声音讲 23 种语言，按字符计费，干活的单位从一场录音棚档期变成了一个文本文件。声音克隆这头，英国的 Save Our Voices Now 在 8 月那封公开信里要求把声音认定为一种财产，引的数字是 3 秒音频。微软这张价目表，是我们第一次看到大厂给同一种能力挂上价码。
接下来盯什么
0.54 美元的推广价到 12 月 31 日结束，所以第四季度是试点窗口，企业会拿几条内部线路来跑一跑。真正的信号在明年 1 月。如果标准价落在 0.54 美元附近，说明微软是在抢份额。如果涨上去，说明推广价只是拉新。另外要看有没有第一个署名客户。没有客户的时候，这只是一张价目表。一旦有了，它就成了某家公司人员编制计划里的一行。
