Microsoft AI: MAI-Voice-2-Flash

MAI-Voice-2-Flash هو نموذج تحويل النص إلى كلام من Microsoft AI، أصدره المزود في 23 يوليو 2026. يقع في فئة الكلام ومصمم خصيصًا لتوليد الصوت منخفض زمن الاستجابة، مما يضعه في نفس عائلة أعباء العمل مثل وكلاء الصوت والمساعدين ومراكز الاتصال وأدوات إمكانية الوصول والسرد، بدلًا من فضاء النصوص أو الرؤية متعدد الأغراض. إذا كنت تبني أي شيء يحتاج إلى تحويل مدخلات مكتوبة إلى مخرجات منطوقة في الوقت الفعلي، فهذا هو نوع النموذج الذي تقصد Microsoft أن تلجأ إليه.

يأخذ النموذج النص كمدخل وحيد له وينتج الكلام كمخرج وحيد له. الكلام الذي يولده هو صوت أحادي معبّر بتردد 24 kHz، وهي نقطة جودة معقولة للتطبيقات التفاعلية حيث يكون وضوح الكلام والإيقاع الطبيعي أهم من الإنتاج بمستوى الاستوديو. يصف المزود تغطية تشمل 15 لغة، وتُتاح أربعة أصوات للاستخدام: en-US-Harper و es-MX-Valeria و fr-FR-Soleil و de-DE-Klaus، وكلها تحت عائلة الأصوات MAI-Voice-2. لم يُنشر طول السياق لهذا النموذج، لذا يجب أن تتعامل مع حجم المطالبة كأمر تستوثقه مقابل مدخلاتك الخاصة بدلًا من افتراض حد أقصى موثق.

تتبع الاستخدامات العملية مباشرة من هذا الشكل. يمكن لوكيل صوتي أو مساعد أن يأخذ ردًا نصيًا من مسارك ويقوله للمستخدم بتأخير منخفض، وهذا هو الفرق بين محادثة تبدو سريعة الاستجابة وأخرى تبدو معطلة. يمكن لتدفقات مركز الاتصال و IVR توليد المطالبات والتأكيدات والردود الديناميكية أثناء العمل بدلًا من الاعتماد على مكتبة ثابتة من المقاطع المسجلة مسبقًا. يمكن لأدوات إمكانية الوصول قراءة المحتوى بصوت عالٍ بلغة وصوت مختارين. كما أن السرد للمحتوى القصير أو التفاعلي قابل للتطبيق أيضًا، على الرغم من أن الأصوات الأربعة المذكورة ومخرجات أحادية بتردد 24 kHz تحدد النطاق الذي تعمل ضمنه.

يمكنك استدعاؤه عبر واجهة api14 المتوافقة مع OpenAI باستخدام معرّف النموذج "microsoft/mai-voice-2-flash". ولأن نقطة النهاية تتبع مخطط OpenAI، يمكنك توجيه عميل OpenAI موجود إلى api14 وإرسال طلب بالطريقة المعتادة، مع معرّف النموذج في حقل model والنص في حقل input. لا يبلغ النموذج عن أي معاملات طلب مدعومة أبعد من ذلك، لذا لا توجد واجهة ضبط موثقة لأخذ العينات أو درجة الحرارة أو ما شابه. اختيار الصوت هو التحكم الرئيسي المتاح لديك، مأخوذًا من الأصوات الأربعة المذكورة أعلاه. تحقق من جدول الأسعار المباشر على الصفحة للأسعار الحالية.

هناك حد واحد يستحق الملاحظة قبل الالتزام: هذا النموذج ينتج الكلام فقط، لذا لن يعيد نصًا أو بيانات منظمة أو صورًا، وهو غير مناسب لعمل النسخ أو تحويل الكلام إلى نص. إذا كانت مهمتك توليد محتوى مكتوب أو الاستدلال على المستندات أو التعامل مع مدخلات متعددة الوسائط، فإن نموذج نصي أو بصري هو الخيار الأفضل. لكن ضمن مجاله، يُعد MAI-Voice-2-Flash خيارًا مركّزًا لتوليد الكلام الحساس لزمن الاستجابة عبر اللغات والأصوات التي نشرتها Microsoft.