Microsoft AI เปิด MAI-Transcribe-2-Streaming ถอดเสียงแบบเรียลไทม์ 60 ภาษา ได้ผลแรกในราว 100ms และ MAI-Voice-2.1/Flash ที่โคลนเสียงได้ — มีเสียงภาษาไทยให้เลือกแล้ว 4 เสียง

1 ต.ค. 2026 Microsoft AI (MAI) ทีมโมเดลภายในของ Microsoft ภายใต้ Mustafa Suleyman เปิดตัวโมเดลเสียงสามตัวที่ออกแบบมาสำหรับ voice agent โดยเฉพาะ ตัวหลักคือ MAI-Transcribe-2-Streaming ซึ่ง MAI เรียกว่าเป็นโมเดลถอดเสียงแบบ streaming ตัวแรกของตัวเอง ส่งผลการถอดเสียงชุดแรกได้ในเวลาราว 100 มิลลิวินาที อีกสองตัวคือโมเดลแปลงข้อความเป็นเสียงพูด MAI-Voice-2.1 และ MAI-Voice-2.1-Flash

ข่าวนี้น่าสนใจสำหรับนักพัฒนาไทยเป็นพิเศษ เพราะเอกสารของ Azure Speech ระบุว่า MAI-Transcribe-2 รองรับภาษาไทย และ MAI-Voice-2.1/Flash มีเสียงภาษาไทยสำเร็จรูป (th-TH) ให้เลือกแล้ว 4 เสียง

สามโมเดลกับตัวเลขที่ MAI ประกาศ

• MAI-Transcribe-2-Streaming: ถอดเสียงแบบเรียลไทม์ 60 ภาษา MAI อ้างว่าอันดับ 1 ด้านความแม่นยำบน Artificial Analysis ทั้ง transcript สุดท้ายและ transcript ระหว่างทาง (partial) และคำปรากฏบนจอ “เร็วกว่าคู่แข่งที่ใกล้ที่สุด 2 เท่า” (ไม่ได้ระบุชื่อคู่แข่ง) ราคา $0.54 ต่อชั่วโมงเสียง เป็นราคาโปรโมชันถึงสิ้นปีนี้
• MAI-Voice-2.1: TTS 23 ภาษา 26 locale ใช้เสียงเดียวพูดได้ทุกภาษาด้วยสำเนียงเจ้าของภาษา โคลนเสียงจากตัวอย่างเสียงเพียงไม่กี่วินาที ราคา $22 ต่อ 1M ตัวอักษร
• MAI-Voice-2.1-Flash: รุ่นสำหรับงานปริมาณมาก latency ปลายทางถึงปลายทาง 150ms สร้างเสียงยาว 45 วินาทีได้ MAI อ้างว่า inference เร็วขึ้น 55% และถูกกว่าโมเดลที่เทียบเคียงได้ราว 60% ราคา $15 ต่อ 1M ตัวอักษร

เรื่องการโคลนเสียง MAI ระบุเพียงว่ามี “consent guardrails ในตัวที่ป้องกันการใช้ในทางที่ผิด” แต่ไม่ได้อธิบายกลไก ว่าตรวจความยินยอมอย่างไร หรือมี watermark หรือไม่

ใช้ได้ที่ไหน

ทั้งสามโมเดลใช้ได้ผ่าน Microsoft Foundry, MAI Playground, Vercel และ Azure Voice Live ส่วน LiveKit “กำลังจะมา” ส่วนโมเดลเสียงพูดสองตัวมีบน OpenRouter ด้วย ซึ่งหมายความว่าใช้ได้โดยไม่ต้องมีบัญชี Azure ทั้งหมดนี้เป็นโมเดลแบบ API ไม่มีการปล่อยน้ำหนัก

ในหน้าเอกสาร MAI voices ของ Azure มีเสียงภาษาไทยสำหรับทั้ง MAI-Voice-2.1 และ Flash ได้แก่ th-TH-Grant, th-TH-Harper, th-TH-Krit และ th-TH-Nattapong บางเสียงมีสไตล์ให้เลือก เช่น agent, customer_call_center, audiobook และ narrator หรือแบบอารมณ์ เช่น caringempathy, friendlycheerful ส่วนตารางภาษาของ MAI-Transcribe-2 ก็มีภาษาไทย (th) ทั้งในรุ่น 1.5 และรุ่น 2 แต่ตารางนั้นเป็นของ MAI-Transcribe-2 โดยรวม บล็อกเปิดตัวรุ่น Streaming บอกเพียงว่ารองรับ “60 ภาษา” โดยไม่ได้ระบุรายชื่อ

มุมมอง AI Curator

latency คือทุกอย่างสำหรับ voice agent ถ้าระบบต้องรอให้ผู้ใช้พูดจบแล้วจึงเริ่มถอดเสียง การสนทนาจะรู้สึกช้าทันที partial transcript ที่มาในราว 100ms ทำให้ LLM เริ่มคิดได้ตั้งแต่ผู้ใช้ยังพูดไม่จบ ซึ่งเป็นจุดที่ OpenAI Realtime, Deepgram และ ElevenLabs แข่งกันมาตลอด การที่ Microsoft ลงมาแข่งด้วยราคาโปรโมชัน $0.54/ชม. และวางขายบน OpenRouter กับ Vercel นอกเหนือจาก Azure แสดงว่า MAI ต้องการลูกค้านอกระบบนิเวศของตัวเองจริง ๆ ไม่ใช่แค่ขายพ่วงกับ Azure

สำหรับทีมไทยที่ทำ call center อัตโนมัติ ระบบจองคิว หรือผู้ช่วยในแอปธนาคาร นี่เป็นตัวเลือกจากผู้ให้บริการรายใหญ่ที่มีเสียงไทยและถอดเสียงไทยในแพ็กเกจเดียวกัน แต่ต้องระวังสองเรื่อง หนึ่ง ตัวเลข “อันดับ 1 บน Artificial Analysis” เป็นค่ารวมหลายภาษา ซึ่งส่วนใหญ่เป็นภาษาอังกฤษ ไม่ได้บอกว่าถอดเสียงไทยได้ดีแค่ไหน ภาษาไทยมีปัญหาเฉพาะ เช่น การพูดปนภาษาอังกฤษ ชื่อเฉพาะ และตัวเลขที่อ่านได้หลายแบบ จึงควรวัด CER กับเสียงของลูกค้าจริงก่อนตัดสินใจ สอง ราคา $0.54 เป็นโปรโมชันถึงสิ้นปีเท่านั้น ถ้าจะทำ production ให้คำนวณต้นทุนเผื่อราคาหลังโปรโมชันไว้ด้วย ส่วนฟีเจอร์โคลนเสียง ธุรกิจไทยควรมีเอกสารความยินยอมจากเจ้าของเสียงเป็นลายลักษณ์อักษรตาม PDPA เสมอ ไม่ควรพึ่งแค่ “guardrail ในตัว” ที่ผู้ให้บริการยังไม่ได้อธิบายว่าทำงานอย่างไร

แหล่งข่าว

• Our first streaming transcription model — Microsoft AI (1 ต.ค. 2026)
• MAI voices — Azure Speech documentation (รายชื่อเสียง th-TH)
• MAI-Transcribe-2 — Azure Speech documentation (ตารางภาษา)
• Microsoft AI releases new transcription and text-to-speech models for voice agents — The Decoder (2 ต.ค. 2026)