Microsoft AI: MAI-Voice-2-Flash

MAI-Voice-2-Flash es un modelo de texto a voz de Microsoft AI, publicado por el proveedor el 23 de julio de 2026. Se sitúa en la categoría de voz y está diseñado específicamente para la generación de voz de baja latencia, lo que lo coloca en la misma familia de cargas de trabajo que los agentes de voz, asistentes, centros de llamadas, herramientas de accesibilidad y narración, en lugar del espacio de texto o visión de propósito general. Si estás construyendo algo que necesite convertir entrada escrita en salida hablada en tiempo real, este es el tipo de modelo que Microsoft pretende que uses.

El modelo toma texto como su única entrada y produce voz como su única salida. La voz que genera es audio mono a 24 kHz expresivo, que es un punto de calidad razonable para aplicaciones interactivas donde la inteligibilidad y el ritmo natural importan más que la producción de calidad de estudio. El proveedor describe cobertura en 15 idiomas, y se exponen cuatro voces para su uso: en-US-Harper, es-MX-Valeria, fr-FR-Soleil y de-DE-Klaus, todas bajo la familia de voces MAI-Voice-2. No se publica ninguna longitud de contexto para este modelo, así que debes tratar el dimensionamiento del prompt como algo que validar con tus propias entradas en lugar de asumir un límite documentado.

Los usos prácticos se derivan directamente de esa forma. Un agente de voz o asistente puede tomar una respuesta de texto de tu pipeline y reproducirla al usuario con baja demora, que es la diferencia entre una conversación que se siente receptiva y una que se siente rota. Los flujos de centro de llamadas e IVR pueden generar prompts, confirmaciones y respuestas dinámicas sobre la marcha en lugar de depender de una biblioteca fija de clips pregrabados. Las herramientas de accesibilidad pueden leer contenido en voz alta en un idioma y voz elegidos. La narración para contenido de formato corto o interactivo también es viable, aunque las cuatro voces listadas y la salida mono a 24 kHz definen el rango dentro del cual estás trabajando.

Lo llamas a través de la API compatible con OpenAI de api14 usando el id de modelo "microsoft/mai-voice-2-flash". Debido a que el endpoint sigue el esquema de OpenAI, puedes apuntar un cliente de OpenAI existente a api14 y enviar una solicitud de la manera habitual, con el id de modelo como el campo model y tu texto como el input. El modelo no reporta ningún parámetro de solicitud soportado más allá de eso, así que no hay una superficie documentada de muestreo, temperatura o ajuste similar para configurar. La selección de voz es el control principal que tienes, extraído de las cuatro voces listadas arriba. Consulta la tabla de precios en vivo en la página para las tarifas actuales.

Un límite que vale la pena notar antes de comprometerte: este modelo solo produce voz, así que no devolverá texto, datos estructurados o imágenes, y no es adecuado para trabajo de transcripción o de voz a texto. Si tu tarea es generar contenido escrito, razonar sobre documentos o manejar entrada multimodal, un modelo de texto o visión es la mejor opción. Dentro de su carril, sin embargo, MAI-Voice-2-Flash es una opción enfocada para la generación de voz sensible a la latencia en los idiomas y voces que Microsoft ha publicado.