AREX Feed Article
微软 AI 宣布 MAI 语音与转写模型上线 LiveKit，称可用于构建富有表现力的语音 agent
微软 AI 的官方 X 账号在中称，MAI 模型现已在 LiveKit 上线，开发者可以用它们构建富有表现力的语音 agent（智能体）。该帖发布于 10 月 2 日 16:00 UTC（北京时间 10 月 3 日 0 点），距三款 MAI 模型发布不到 24 小时。
微软 AI 在 10 月 1 日了三款模型：流式转录模型 MAI-Transcribe-2-Streaming，以及语音模型 MAI-Voice-2.1 和 MAI-Voice-2.1-Flash，官方称后两者提供自然语音、缩短轮次之间的等待时间。显示，微软列出的可用渠道包括 Microsoft Foundry、MAI Playground、Vercel 和 Azure Voice Live，LiveKit 被标注为「coming soon」（即将上线）。
从「即将上线」到可用
这个被标注为「即将上线」的渠道，先从 LiveKit 这一侧落地。livekit/agents 仓库的显示，提交「feat: add Microsoft AI speech plugin (#7378)」于 10 月 1 日加入该仓库；随后，插件包 livekit-plugins-microsoft-ai 的 1.8.4 版本，目前该包在 PyPI 上只有这一个版本。10 月 1 日 22:54 UTC，LiveKit 官方账号这三款模型已在其平台上线，并附上开发文档链接。
这两天公布的渠道更新还有两条：10 月 1 日，微软 AI MAI 模型上线 Vercel；10 月 2 日，又 MAI 语音模型上线 OpenRouter。半小时后，微软 AI 发出了 LiveKit 渠道的上线帖文。
LiveKit 的两个插件：TTS 与 STT
开发者接入时用到的是两个插件，LiveKit 的开发文档已经给出说明：一个是 ，把 MAI 语音模型作为语音合成提供方，音频通过 Azure Speech 的 REST 接口合成；另一个是 ，把音频流送到 Azure 的实时转写 WebSocket 接口。两者共用同一条安装命令：uv add "livekit-agents[microsoft-ai]~=1.8"，文档标注均支持 Python。
LiveKit 在上线帖文中建议的搭配是：MAI-Transcribe-2-Streaming 负责转写、MAI-Voice-2.1-Flash 负责发声，构建「高效且富有表现力」的语音 agent；帖文还援引 Artificial Analysis 的准确率榜单。按该机构的，MAI-Transcribe-2-Streaming 的流式最终转写词错误率（WER）为 2.5%，语音结束后 0.13 秒出稿，在 38 款模型中排名第一。
接入前提：自带 Azure 资源，STT 只支持流式
两个插件都要求开发者自备 Azure 资源：TTS 插件需要 Azure Speech 资源的密钥与区域，STT 插件需要单独的端点 URL、API 密钥与模型部署名。仓库 专门提示，一套 Azure Speech TTS 资源与密钥，不代表 STT 服务也能用，两者需要分别配置。此外，插件不设默认端点、模型、音色和采样率，这些值需要向你的部署方（deployment owner）获取。
STT 侧的限制更具体：只支持流式转写，批量接口 recognize() 不可用；它需要自己的 VAD（语音活动检测）来判定每句话的结束，文档特别提醒，只配置 AgentSession 的 VAD 不够，要把同一个 VAD 同时传给 STT 与会话。
TTS 侧也有取舍：插件等完整响应校验通过后才输出音频，README 写明不宣称原生流式，增量文本由 AgentSession 自带的句子级适配器处理。配置上还有一处细节：音色 ID 形如 name:model（例如 en-US-Harper:MAI-Voice-2-Flash），并且 MAI-Voice-2.1-Flash 与 MAI-Voice-2-Flash 不被当作同一别名。插件不含 LLM（大语言模型），也没有语音到语音的实时模型，只覆盖 STT 与 TTS 两个环节。
还没验证的部分：区域可用性与长会话稳定性
插件作者把验证范围写进了 README：目前只有有限范围的实机冒烟测试，包括用 MAI-Voice-2-Flash 走通本地 LiveKit 房间里的语音播放、用一段合成英文语音走通流式转写，以及一项五回合的浏览器/WebRTC 合成测试。
README 同时列出了这些测试不能证明什么：所有区域与资源的可访问性、跨输入与语言的识别准确率、后端音频尾部的边界、长会话可靠性、物理麦克风表现与主观音质；这些结果也不是模型延迟基准。
可用性方面，README 的表述是「仍取决于资源与区域」；落到操作层面，它的要求是：端点、模型与凭据从自己的部署方处获取，新部署则要自行验证握手、提交顺序与事件字段是否满足契约。