MAI Realtime – 微软正在测试的首款原生实时语音交互模型

MAI Realtime是微软（Microsoft AI）正在测试的首款原生实时语音交互模型，于2026年8月初被媒体曝光。它属于微软自研MAI（Microsoft AI）系列模型家族中的语音交互产品，由Mustafa Suleyman领导的微软AI部门研发。

与传统”用户说完→模型再答”的轮次式语音助手不同，MAI Realtime 实现了双向、全双工（Full-Duplex）实时对话——系统可以同时聆听和回应，用户无需等待AI说完即可插话，对话体验无限逼近真人交流。

目前该模型已在微软的 MAI Playground 平台向部分合作伙伴开放测试，尚未正式上线 Microsoft Foundry 或集成到 Copilot 语音功能中。

MAI Realtime核心特点

表格

特点	说明
全双工交互	听说并行，打破”一问一答”的轮次交替模式，支持同步聆听与回应
多语言支持	支持16种语言（含中文），覆盖全球主要语种
自动语言识别与切换	对话中可自动识别用户所用语言，并支持中途无缝切换语言
两种语音风格	提供 Victoria 和 Grant 两种语音风格供选择
原生实时架构	非”语音识别→文本推理→语音合成”的拼接方案，而是端到端的原生实时模型
对话系统定位	不支持唱歌或生成非语音音效，专注于自然对话交互
调试透明化	调试面板可显示实时延迟、模型思考内容和处理步骤

MAI Realtime技术原理

1. 全双工通信架构

MAI Realtime 采用双向、全双工交互方式，系统在同一时间既能接收用户语音，又能输出回复语音。这意味着：

不需要等用户完全说完才开始处理；
不需要等模型完全输出完用户才能开口；
双方可以像真人一样重叠说话、插话、打断。

2. 端点检测

系统依靠端点检测技术来识别：

说话的开始（用户何时开口）
说话的停顿（是思考还是结束）
说话的结束（一轮发言完毕）

当检测到用户中途插话时，模型能即时调整输出——暂停、修改或重新组织回复内容，实现真正自然的对话节奏。

3. 原生语音到语音

与早期将语音拆分为”ASR→LLM→TTS”三段式管道不同，MAI Realtime 是原生实时语音模型，语音理解与语音生成在统一模型内完成，大幅降低端到端延迟，避免拼接方案中各环节累积的延迟和自然度损失。

4. 多语言实时处理

模型内置多语言理解能力，能够：

自动检测用户当前使用的语言；
在对话过程中无需用户手动切换即可跟随语言变化；
在16种语言之间流畅过渡。

5. 与此前MAI语音模型的区别

微软此前发布的MAI语音模型均为单向模型：

MAI-Voice-2 / MAI-Voice-2-Flash：语音合成（文本→语音），单向输出；
MAI-Transcribe-1.5：语音识别（语音→文本），单向输入。

MAI Realtime 则是首个双向交互式语音模型，将”听”和”说”统一到一个实时对话系统中。

MAI Realtime主要功能

实时自然对话：以接近真人的节奏进行语音交流，支持打断、插话、追问；
多语言对话：16种语言自由使用，自动识别，无需手动设置；
语言中途切换：对话进行中可从一种语言切换到另一种，模型无缝跟随；
双风格语音输出：Victoria（女声）和 Grant（男声）两种风格；
实时调试面板：开发者可查看实时延迟数据、模型内部思考过程和处理步骤；
样本分享（规划中）：测试权限扩大后，或向平台用户开放对话样本分享功能。

MAI Realtime应用场景

基于全双工实时语音的特性，MAI Realtime 适合以下场景：

智能客服与呼叫中心：客户可随时打断、补充信息，无需等待机器人说完，体验接近真人客服；
会议与协作助手：实时参与多人讨论，随时回应提问，不打断会议节奏；
车载语音交互：驾驶中双手不便操作，全双工语音让指令和反馈更自然流畅；
语言学习与陪练：模拟真人对话节奏，支持多语言切换练习，中途纠正即时响应；
无障碍交互：为视障或行动不便用户提供无需等待轮次的自然语音交互；
教育与辅导：学生可随时插话提问，AI即时调整讲解方向；
Copilot语音功能升级：未来集成到微软Copilot后，用户与AI助手的语音交互将从”按键说话”升级为”随时开口”。

在MAI模型家族中的位置

MAI Realtime 是微软自研MAI系列模型的重要补充。截至目前，MAI家族已涵盖：

表格

模型	方向	状态
MAI-Thinking-1	通用推理（MoE架构，万亿参数）	已发布
MAI-Voice-1 / Voice-2 / Voice-2-Flash	语音合成	已发布
MAI-Transcribe-1 / 1.5	语音识别/转录	已发布
MAI-Image-2 / 2.5 / 2.5-Pro	图像生成与编辑	已发布
MAI-Cyber-1-Flash	网络安全	已发布
MAI Realtime	全双工实时语音对话	测试中

MAI Realtime 填补了MAI家族在实时双向语音交互领域的空白，使微软在语音赛道上具备了与OpenAI GPT-Realtime、Google Gemini Live直接竞争的能力。

MAI Realtime当前状态与展望

测试阶段：目前仅向部分合作伙伴在MAI Playground平台开放测试；
上线时间未定：尚不清楚何时正式上线Microsoft Foundry或扩展到Copilot；
战略意义：微软CEO纳德拉已明确表示，MAI系列模型的目标是逐步降低并最终消除对OpenAI等外部模型的付费调用依赖，MAI Realtime是这一”模型主权”战略在语音交互领域的关键落子。

最后想说

MAI Realtime 是微软在实时语音AI领域迈出的关键一步。它通过全双工架构+端点检测+原生语音到语音处理，将AI语音交互从”对讲机式”的一问一答，升级为”面对面式”的自然对话。支持16种语言和自动语言切换的能力使其具备全球化应用潜力，而其在MAI Playground的测试也预示着微软正加速构建不依赖外部技术的完整AI语音交互体系。