微软MAI模型接入Vercel AI Gateway：语音、转录与图像一站集成

Vercel 的 AI Gateway 模型目录迎来一次重要扩充。据 Vercel 官方公告，微软 MAI 系列模型已正式接入，覆盖语音生成、语音转录和图像生成三大模态，开发者可以在同一个网关中调用多种媒体能力，并沿用现有的部署流程。

MAI 模型矩阵覆盖三类媒体能力

此次上线并非单一端点的新增，而是一次体系化的目录扩展。根据 Vercel 官方公告，首批可用的 MAI 模型包括：

• MAI-Voice-2.1 与 MAI-Voice-2.1-Flash：提供多语言的表现力语音合成能力
• MAI-Transcribe-2-Streaming：面向实时转录场景
• MAI-Transcribe-2：处理非流式转录任务
• MAI-Image-2.6 及相关变体：基于扩散模型的图像生成与编辑

这意味着一个产品团队可以同时评估语音、转录与图像工作流，而不必把每种模态当作独立的平台集成来处理。举例来说，应用可以用转录处理录制或实时音频，在需要时生成语音输出，或者为内容型工作流增加图像生成与编辑能力。

Vercel 同时强调了 MAI 的 零数据保留（zero data retention）姿态，以及在训练数据使用上的透明度。对于需要评估 AI 供应商数据处理方式是否匹配自身信息处理需求的团队来说，这一细节值得关注——它并不免除应用侧对数据发送内容和内部控制流程的审查责任。

关于微软 MAI 系列：MAI（Microsoft AI）是微软内部 AI 团队推出的一系列基础模型品牌，与 Azure 上托管的 OpenAI 模型属于不同产品线。MAI 系列覆盖语音、转录、图像等多种模态，其定位是提供可与第三方平台集成的通用媒体能力，而非仅限于微软自有产品生态。此次接入 Vercel AI Gateway 意味着开发者无需直接对接微软的 API 或 Azure 账户体系，即可通过统一的网关接口调用这些模型，这对于已经在 Vercel 上部署前端与后端的团队来说，能显著降低多平台认证和配置的复杂度。

关于零数据保留（Zero Data Retention）：零数据保留是一种数据处理承诺，指模型服务提供商在完成推理后不会将输入的提示词、音频或图像持久化存储，也不会将其用于模型训练。这一承诺通常以合同或服务条款的形式呈现，但实际执行方式因供应商而异——有的仅在 API 层面不记录，有的则在整个基础设施层面做匿名化处理。开发者需要结合自身合规要求（如 GDPR、HIPAA 或行业内部规范）来判断这一承诺是否足够，并仍然对本地发送的数据内容和日志策略负责。

定价公开：按模态分别计费

Vercel 的 AI Gateway 目录页面公布了模型的具体定价。不同模型的计费单位不同，团队应当按照与实际用量匹配的单位来估算成本，例如字符数、图像张数或音频小时数。

MAI 模型	主要能力	公布价格
MAI-Voice-2.1	多语言表现力语音	每百万字符 $22
MAI-Image-2.6	扩散模型图像生成与编辑	每张图像 $0.01
MAI-Transcribe-2-Streaming	实时转录	每小时 $0.54
MAI-Transcribe-2	非流式转录	每小时 $0.10
MAI-Voice-2	语音模型	每百万字符 $22

这张表适合早期预算参考，但不能直接当作完整项目成本估算。实时转录按小时计价，语音合成按字符计价，图像则按输出张数计价——团队在把功能开放给用户之前，应当先在自己的工作流中测量预期活动量。

关于流式与非流式转录的成本差异：流式转录（Streaming）需要在音频持续输入的同时实时输出文字，对推理基础设施的延迟和并发要求更高，因此按小时计价通常显著高于非流式方案。非流式转录允许系统在收到完整音频文件后批量处理，可以更充分地利用计算资源，成本因此更低。团队在选型时，不应仅比较单价，还需考虑用户体验：实时字幕、会议记录等场景对延迟敏感，适合流式；而播客转写、存档音频处理等场景则可用非流式以节省成本。

关于按模态计费的预算意义：语音合成按字符计费、图像按张数计费、转录按小时计费，这三种计费单位分别对应不同的使用模式。例如，语音合成的成本与文本长度直接相关，适合估算客服播报或无障碍朗读的开销；图像生成按张数计费，便于对内容生产工具做单次调用成本核算；转录按小时计费，则需要先估算音频总时长再乘以单价。将这些单位统一换算为月度或每用户成本，才能更准确地与业务指标挂钩。

从账号配置到应用集成的落地路径

Vercel 的 MAI 目录页面给出了基本操作顺序：获取 API key、查阅文档、通过 AI Gateway 调用相关端点，然后走常规的 Vercel 部署流程。对已有的 Vercel 项目而言，这是一个务实的起点，因为模型调用可以整合进同一个应用环境，而不必为每种模态单独搭建部署流程。

对于第一次尝试的团队，可以按以下顺序推进：

1. 选定一个有边界的用例，例如转录上传的录音，或为某个明确的功能生成图像
2. 让模型匹配交互方式：需要实时字幕时用流式转录模型，音频可在采集后处理时用非流式模型
3. 按公布的计费单位估算用量，再决定是否大范围开放该功能
4. 通过 AI Gateway 集成，使用 API key 和文档接入，然后按项目惯常的 Vercel 流程部署
5. 审查发送给模型的数据，评估 MAI 的零数据保留姿态与自身信息处理需求的关系

这次发布并不意味着每个应用都需要全部三种模态。只需要准确音频转换的服务，可以从转录起步；已有成熟文本体验的产品，可能对语音输出更感兴趣；图像生成与编辑则更适合视觉素材本来就是工作流一部分的场景。从一个可衡量的用例开始，有助于团队在增加更多 AI 能力之前，先验证用户价值和运营成本。

对企业而言的真正机会

对企业来说，主要机会并不只是模型列表变长了，而是可以选择把相关的 AI 能力接入已有的 Web 产品，并且使用一个已经承载了项目部署流程的开发者平台。Vercel 已经公布了可用性、定价和集成指引，但应用质量仍然取决于产品设计、测试以及对真实用量的监控。

常见问题

Vercel AI Gateway 上有哪些微软 AI 模型？

Vercel 列出了 MAI-Voice-2.1、MAI-Voice-2.1-Flash、MAI-Transcribe-2-Streaming、MAI-Transcribe-2、MAI-Image-2.6 及相关变体。

MAI-Transcribe-2 和 MAI-Transcribe-2-Streaming 有什么区别？

前者用于实时转录，后者是非流式转录选项。

MAI 模型在 Vercel AI Gateway 上的费用如何？

公布示例包括：MAI-Voice-2.1 每百万字符 $22，MAI-Image-2.6 每张图像 $0.01，流式转录每小时 $0.54，非流式转录每小时 $0.10。

开发者如何开始在 Vercel 上使用 MAI？

获取 API key，使用 Vercel 文档通过 AI Gateway 调用 MAI 端点，集成进现有项目，并按常规 Vercel 工作流部署。