微軟 MAI 新語音工具怎麼試？從短片配音到即時字幕，先看入口、費用與限制
Microsoft 10 月 1 日推出 MAI-Voice-2.1、Flash 與即時轉錄模型。從官方 Playground 畫面看怎麼試配音，再分清字元與音訊時數計費、台灣語音需求、預覽限制，以及聲音複製的同意門檻。
本文導覽
想替短片配音，或讓字幕在人說話時就出現，Microsoft 這次更新提供了不同工具。2026 年 10 月 1 日的官方公告一次推出 MAI-Voice-2.1、MAI-Voice-2.1-Flash 兩款文字轉語音模型，以及 MAI-Transcribe-2-Streaming 即時語音轉文字模型。
對創作者，較容易開始的是網頁配音介面；要做即時字幕或語音應用，再看 Streaming 文件。本文於台灣時間 10 月 6 日查核公開資料與網頁入口，未登入、生成音訊、上傳錄音或啟用麥克風；以下畫面是官方介面，聲音品質仍需自行試聽。
官方入口與文件
Playground 可先查看公開介面；實際登入、可用額度與生成條件，以帳號顯示為準。本站沒有確認免費每日額度，不把公開入口寫成免費無限使用。
先試配音：選模型、聲音與語氣
MAI-Voice-2.1 模型卡主打較長內容中的聲音一致性，適合評估旁白、有聲書與教學內容；Flash 則偏重即時回應與較低延遲。兩款都提供多語語音，官方列為 23 種語言，並可在 API／SDK 透過 SSML 調整表達方式。
帳號具備生成權限後，第一次測試可先用一小段自己的文稿與現成聲音：
- 先選一款現成聲音，保留 Neutral 語氣，確認字詞、停頓與數字讀法。
- 同一句再換一種語氣，聽表達是否符合影片或課程的情境。
- 只有前兩項合適，再比較較長段落或另一款模型，記下發音與銜接需要修正的地方。
例如可用自擬短句「今天的課程分成三個步驟，請先準備一張照片。」檢查節奏。這是測試建議，非本站生成結果。公開介面的輸入計數顯示 0／800；這個網頁欄位的限制不能直接當作 API 的通用長度上限。
費用分兩種單位：配音算字元，轉錄算音訊時數
依官方發布公告與模型資料，美元用量價格如下：
- MAI-Voice-2.1：每百萬字元 US$22。
- MAI-Voice-2.1-Flash：每百萬字元 US$15。
- MAI-Transcribe-2-Streaming：每小時輸入音訊 US$0.54，屬限時入門價，公告期限到 2026 年底。
以一萬個計費字元做單純牌價換算，Voice-2.1 為 US$0.22，Flash 為 US$0.15；十分鐘轉錄則為 US$0.09。這些只是用量試算，不是實測帳單，也未計入重試、其他模型或平台費用。字元、token 與音訊長度是不同計量單位，不能混成同一張價格表比較。
上述是 API 用量價格，不是訂閱月費或網頁免費額度。年底期限是公告對 Streaming 入門價的說明；不要自行把這個期限套到兩款配音模型。
即時字幕會修正前文，還不能直接當成多人會議逐字稿
Streaming 文件說明，模型會隨音訊到來提供暫定文字，再更新並確認片段。對字幕工具而言，畫面需要能處理前文修訂，而不是把每次收到的文字都永久往後接。
官方列出 60 種支援語言，但它與批次版 MAI-Transcribe-2 的功能不同。模型版本比較把 Streaming 的說話者分離、逐字時間戳、關鍵字偏置與轉錄風格都標為未提供。需要「誰在何時說了什麼」的多人會議流程，應先確認這些需求，而不是只看即時速度。
Azure Realtime 每段連線最長一小時，整合需要 Azure 訂閱、支援區域的 Foundry 資源與模型部署。官方文件也列出服務由 Sweden Central、Central US、South India 等區域處理；East US 2 當時仍標為即將提供。這些是部署條件，並非保證從台灣連線的實際延遲。
台灣使用者先核對發音與文字，再接正式流程
Voice 模型卡的中文語系列為 Chinese (Simplified)。轉錄文件則分別列出 zh 與粵語 yue。這些支援項目不足以保證台灣口音、繁體中文輸出或台語表現；若內容面向台灣觀眾，建議用專有名詞、地名與中英混讀的小段落先驗收。
聲音複製也有獨立門檻。Azure 說明要求取得核准，並提供聲音本人的錄音同意聲明等資料；不能因為模型支援短錄音參考，就把任何人的網路聲音拿來複製。
最後，Microsoft 的 Azure 文件將這些功能標為公開預覽、沒有服務等級協議，且不建議用於正式生產工作。目前較合適的起點，是用非敏感文稿測試配音，或在測試環境驗證字幕更新流程，再評估能否省下自己的剪輯、校對與串接時間。