Microsoft AI: MAI-Voice-2

MAI-Voice-2 est un modèle de synthèse vocale expressif de Microsoft AI, publié par le fournisseur le 2 juin 2026. Il appartient à la catégorie parole, donc son rôle est de transformer du texte écrit en audio parlé plutôt que de générer ou modifier du texte lui-même. Si vous construisez quoi que ce soit qui nécessite une voix synthétique, c'est le genre de modèle que vous évalueriez aux côtés d'autres options de synthèse vocale.

Le modèle prend le texte comme seule entrée et produit de la parole comme seule sortie. Il est décrit comme expressif, ce qui compte pour les applications où une restitution plate et robotique nuirait à l'expérience. Microsoft le positionne pour les assistants conversationnels, la narration média, l'accessibilité, l'éducation et d'autres applications vocales de longue durée, et il prend en charge 15 langues. Aucune longueur de contexte n'est indiquée pour ce modèle, donc considérez la planification de contexte basée sur les tokens comme non applicable ici. Les voix disponibles sont en-US-Harper, es-MX-Valeria, fr-FR-Soleil et de-DE-Klaus, chacune liée au modèle MAI-Voice-2.

Ces capacités indiquent un ensemble assez clair de cas d'usage. Les assistants conversationnels peuvent l'utiliser pour répondre aux utilisateurs avec une voix naturelle. Les équipes média et contenu peuvent l'utiliser pour la narration sur vidéo, articles ou autres contenus longs. Les outils d'accessibilité peuvent convertir du contenu écrit en audio pour les utilisateurs qui préfèrent écouter. Les produits éducatifs peuvent lire à voix haute des leçons, exercices ou supports d'étude. Comme le modèle gère le travail vocal de longue durée, il convient aux projets où vous avez besoin d'une sortie vocale soutenue plutôt que d'un seul court extrait.

Vous l'appelez via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle "microsoft/mai-voice-2". Comme l'interface suit le format OpenAI, vous pouvez pointer du code client de style OpenAI existant vers api14 et y remplacer cet identifiant de modèle. Le modèle ne liste aucun paramètre pris en charge, donc ne supposez pas que des réglages comme temperature ou top_p auront un effet. La sélection de la voix est la principale surface de contrôle, et vous choisissez parmi les quatre voix listées ci-dessus. Notez que maxOutput est indiqué comme 0, donc planifiez vos requêtes en fonction de l'audio dont vous avez réellement besoin plutôt que de vous fier à un plafond de sortie documenté.

Si votre tâche est la génération de texte, la traduction, la classification ou quoi que ce soit qui renvoie une sortie écrite, ce modèle ne convient pas, puisqu'il n'émet que de la parole. C'est aussi un mauvais choix si vous avez besoin d'une voix en dehors des quatre listées ou d'une langue au-delà des 15 prises en charge. Dans ces cas, tournez-vous vers un modèle de texte ou un autre modèle de parole sur api14.