Microsoft AI: MAI-Voice-2

MAI-Voice-2 es un modelo expresivo de texto a voz de Microsoft AI, publicado por el proveedor el 2 de junio de 2026. Se sitúa en la categoría de voz, por lo que su función es convertir texto escrito en audio hablado en lugar de generar o editar texto por sí mismo. Si estás construyendo algo que necesita una voz sintética, este es el tipo de modelo que evaluarías junto con otras opciones de texto a voz.

El modelo toma texto como su única entrada y produce voz como su única salida. Se describe como expresivo, lo cual importa para aplicaciones donde una entrega plana y robótica perjudicaría la experiencia. Microsoft lo posiciona para asistentes conversacionales, narración de medios, accesibilidad, educación y otras aplicaciones de voz de formato largo, y admite 15 idiomas. No se indica ninguna longitud de contexto para este modelo, así que considera que la planificación de contexto basada en tokens no aplica aquí. Las voces disponibles son en-US-Harper, es-MX-Valeria, fr-FR-Soleil y de-DE-Klaus, cada una vinculada al modelo MAI-Voice-2.

Esas capacidades apuntan a un conjunto bastante claro de casos de uso. Los asistentes conversacionales pueden usarlo para responder a los usuarios con una voz natural. Los equipos de medios y contenido pueden usarlo para narrar sobre vídeo, artículos u otro material de formato largo. Las herramientas de accesibilidad pueden convertir contenido escrito en audio para usuarios que prefieren escuchar. Los productos educativos pueden leer lecciones, ejercicios o material de estudio en voz alta. Debido a que el modelo maneja trabajo de voz de formato largo, encaja en proyectos donde necesitas una salida de voz sostenida en lugar de un único clip corto.

Lo llamas a través de la API compatible con OpenAI de api14 usando el id de modelo "microsoft/mai-voice-2". Como la interfaz sigue el formato de OpenAI, puedes apuntar código de cliente existente al estilo OpenAI a api14 y sustituir este id de modelo. El modelo no lista parámetros admitidos, así que no asumas que ajustes como temperature o top_p tendrán efecto. La selección de voz es la principal superficie de control, y eliges entre las cuatro voces listadas arriba. Ten en cuenta que maxOutput se reporta como 0, así que planifica tus solicitudes en torno al audio que realmente necesitas en lugar de confiar en un límite de salida documentado.

Si tu tarea es generación de texto, traducción, clasificación o cualquier cosa que devuelva salida escrita, este modelo no es adecuado, ya que solo emite voz. También es una mala elección si necesitas una voz fuera de las cuatro listadas o un idioma más allá de los 15 que admite. Para esos casos, busca un modelo de texto o un modelo de voz diferente en api14.