Microsoft AI: MAI-Voice-2

MAI-Voice-2 ist ein expressives Text-to-Speech-Modell von Microsoft AI, das vom Anbieter am 2. Juni 2026 veröffentlicht wurde. Es gehört zur Kategorie Speech, seine Aufgabe ist es also, geschriebenen Text in gesprochenes Audio umzuwandeln, statt selbst Text zu generieren oder zu bearbeiten. Wenn Sie etwas entwickeln, das eine synthetische Stimme benötigt, ist dies die Art von Modell, die Sie neben anderen Text-to-Speech-Optionen bewerten würden.

Das Modell nimmt Text als einzige Eingabe und erzeugt Sprache als einzige Ausgabe. Es wird als expressiv beschrieben, was für Anwendungen wichtig ist, bei denen eine flache, roboterhafte Vortragsweise das Erlebnis beeinträchtigen würde. Microsoft positioniert es für Konversationsassistenten, Medien-Narration, Barrierefreiheit, Bildung und andere langformatige Sprachanwendungen, und es unterstützt 15 Sprachen. Für dieses Modell ist keine Kontextlänge angegeben, behandeln Sie also tokenbasierte Kontextplanung hier als nicht anwendbar. Die verfügbaren Stimmen sind en-US-Harper, es-MX-Valeria, fr-FR-Soleil und de-DE-Klaus, jede an das MAI-Voice-2-Modell gebunden.

Diese Fähigkeiten deuten auf eine ziemlich klare Reihe von Anwendungsfällen hin. Konversationsassistenten können es nutzen, um Antworten in einer natürlichen Stimme an Benutzer zurückzusprechen. Medien- und Content-Teams können es für Narration über Video, Artikel oder anderes langformatiges Material verwenden. Barrierefreiheits-Tools können geschriebene Inhalte in Audio für Benutzer umwandeln, die lieber zuhören. Bildungsprodukte können Lektionen, Übungen oder Lernmaterial vorlesen. Weil das Modell langformatige Spracharbeit bewältigt, passt es zu Projekten, bei denen Sie anhaltende Sprachausgabe statt eines einzelnen kurzen Clips benötigen.

Sie rufen es über die OpenAI-kompatible API von api14 mit der Modell-ID "microsoft/mai-voice-2" auf. Da die Schnittstelle dem OpenAI-Format folgt, können Sie vorhandenen Client-Code im OpenAI-Stil auf api14 richten und diese Modell-ID einsetzen. Das Modell listet keine unterstützten Parameter auf, gehen Sie also nicht davon aus, dass Tuning-Regler wie temperature oder top_p eine Wirkung haben. Die Stimmauswahl ist die wichtigste Steuerungsfläche, und Sie wählen aus den vier oben aufgeführten Stimmen. Beachten Sie, dass maxOutput mit 0 angegeben wird, planen Sie Ihre Anfragen also um das Audio herum, das Sie tatsächlich benötigen, statt sich auf eine dokumentierte Ausgabeobergrenze zu verlassen.

Wenn Ihre Aufgabe Textgenerierung, Übersetzung, Klassifizierung oder irgendetwas ist, das geschriebene Ausgabe zurückgibt, ist dieses Modell die falsche Wahl, da es nur Sprache ausgibt. Es ist auch eine schlechte Wahl, wenn Sie eine Stimme außerhalb der vier aufgeführten oder eine Sprache jenseits der 15 unterstützten benötigen. Sehen Sie sich für diese Fälle ein Textmodell oder ein anderes Speech-Modell auf api14 an.