10 月 1 日，Microsoft AI 一口氣發了三個語音模型，三個都標了價。即時轉錄模型 MAI-Transcribe-2-Streaming，每音訊小時 0.54 美元。語音合成模型 MAI-Voice-2.1，每百萬字元 22 美元。輕量版 MAI-Voice-2.1-Flash，每百萬字元 15 美元。數字出自微軟官方部落格，Windows Report 整理了同一組價格。
電話客服的成本表裡，語音這一層向來最好算。現在微軟把這一層的價格直接貼在了門上。
發布稿裡有什麼
轉錄模型主打快。微軟說首批轉錄結果只要略超 100 毫秒就出來，字蹦出來的速度是最接近的競品的兩倍，在 Artificial Analysis 的榜單上，中途的臨時結果和最終稿的準確率都排第一。這個排名是微軟自己在部落格裡引的，我們沒有去榜單上逐項核對。模型支援 60 種語言，能自動識別說的是哪一種。0.54 美元是年底前的優惠價，年後的標準價沒有披露。
兩個合成模型覆蓋 23 種語言、26 個地區口音，同一個聲音換語言也能保住原來的口音。只要幾秒鐘的參考音訊，就能複製出一個聲音，微軟說內建了授權驗證。Flash 版的說法是推理快 55%，比同類模型便宜約 60%，生成 45 秒音訊的端到端延遲約 150 毫秒。「同類模型」指誰，發布稿沒有點名。
三個模型目前透過 Microsoft Foundry、MAI Playground、Vercel 和 Azure Voice Live 提供，LiveKit 的接入標的是「即將」。
單價倒推
先看轉錄。每小時 0.54 美元，折下來一分鐘不到 1 美分。SiliconANGLE 的報道里提到，微軟自家的非即時版 MAI-Transcribe-2 是每小時 0.10 美元。即時版是它的 5.4 倍。多出來的這筆錢買的不是準確率，是延遲：對方還在說話，字就得上屏。語音客服要的是這個，會議紀要不要。
再看合成。我們粗估正常語速每分鐘念出 1,000 個字元左右，這是我們的估算，不是微軟的數字。照這個速度，每百萬字元 22 美元大約是每小時語音 1.3 美元，Flash 大約 0.9 美元。
把一通電話的兩頭加起來，一邊是即時轉錄在聽，一邊是 Flash 在回話，語音費用約 1.45 美元一小時。這還沒有算中間那個負責「想」的語言模型，那才是貴的部分，微軟這次沒有給它標價。人工坐席一小時多少錢，我們手裡沒有微軟或任何一家的數，沒法直接給出比值。客服運營負責人拿自己的賬本，一分鐘就能算完。
價格之外缺什麼
缺的正是我們最想看的兩樣東西：發布稿沒有點名任何客戶，也沒有給任務完成率。這一點要緊，因為語音這一層從來不是難處。Google 的 Gemini 3.8 Live 在 9 月的評測裡，音訊推理拿到 97.7%，到了 Sierra 的銀行通話任務，只辦成 35.1%。聽得清、說得出已經接近解決，把一通電話辦成還沒有。微軟這次的釋出，也沒有動這個數。
誰在這條價格線下面
最先是一線語音客服。我們 7 月寫過，微軟自己的客服團隊已經從 5 萬人縮到 4 萬人，Forrester 的一位分析師預計到 2030 年這類崗位會少一半。即時語音有了公開報價，這個預測就多了一個輸入項。
其次是即時字幕和會議轉錄。批次轉錄已經是每小時 0.10 美元，即時版現在是 0.54 美元。
再往下是旁白類的活：電子課程、電話語音提示、多語配音。一個聲音講 23 種語言，按字元計費，幹活的單位從一場錄音棚檔期變成了一個文字檔案。聲音複製這頭，英國的 Save Our Voices Now 在 8 月那封公開信裡要求把聲音認定為一種財產，引的數字是 3 秒音訊。微軟這張價目表，是我們第一次看到大廠給同一種能力掛上價碼。
接下來盯什麼
0.54 美元的優惠價到 12 月 31 日結束，所以第四季度是試辦視窗，企業會拿幾條內部線路來跑一跑。真正的訊號在明年 1 月。如果標準價落在 0.54 美元附近，說明微軟是在搶份額。如果漲上去，說明優惠價只是拉新。另外要看有沒有第一個署名客戶。沒有客戶的時候，這只是一張價目表。一旦有了，它就成了某家公司人員編制計劃裡的一行。
