Microsoft AI: MAI-Voice-2

MAI-Voice-2 adalah model text-to-speech ekspresif dari Microsoft AI, yang dirilis oleh provider pada 2 Juni 2026. Model ini berada di kategori speech, jadi tugasnya adalah mengubah teks tertulis menjadi audio lisan, bukan menghasilkan atau menyunting teks itu sendiri. Jika Anda membangun apa pun yang membutuhkan suara sintetis, inilah jenis model yang akan Anda evaluasi bersama opsi text-to-speech lainnya.

Model ini menerima teks sebagai satu-satunya input dan menghasilkan speech sebagai satu-satunya output. Model ini digambarkan sebagai ekspresif, yang penting untuk aplikasi di mana penyampaian yang datar dan robotik akan merusak pengalaman. Microsoft memosisikannya untuk asisten percakapan, narasi media, aksesibilitas, pendidikan, dan aplikasi suara long-form lainnya, serta mendukung 15 bahasa. Tidak ada context length yang dicantumkan untuk model ini, jadi anggap perencanaan konteks berbasis token tidak berlaku di sini. Voice yang tersedia adalah en-US-Harper, es-MX-Valeria, fr-FR-Soleil, dan de-DE-Klaus, masing-masing terikat pada model MAI-Voice-2.

Kemampuan tersebut menunjukkan serangkaian use case yang cukup jelas. Asisten percakapan dapat menggunakannya untuk membalas pengguna dengan suara yang natural. Tim media dan konten dapat menggunakannya untuk narasi pada video, artikel, atau materi long-form lainnya. Alat aksesibilitas dapat mengubah konten tertulis menjadi audio untuk pengguna yang lebih suka mendengarkan. Produk pendidikan dapat membacakan pelajaran, latihan, atau materi belajar dengan lantang. Karena model ini menangani pekerjaan suara long-form, model ini cocok untuk proyek yang membutuhkan output speech berkelanjutan, bukan satu klip pendek.

Anda memanggilnya melalui API yang kompatibel dengan OpenAI dari api14 menggunakan model id "microsoft/mai-voice-2". Karena antarmukanya mengikuti format OpenAI, Anda dapat mengarahkan kode klien bergaya OpenAI yang sudah ada ke api14 dan menukar model id ini. Model ini tidak mencantumkan parameter yang didukung, jadi jangan berasumsi bahwa knob penyetelan seperti temperature atau top_p akan berpengaruh. Pemilihan voice adalah permukaan kontrol utama, dan Anda memilih dari empat voice yang tercantum di atas. Perhatikan bahwa maxOutput dilaporkan sebagai 0, jadi rencanakan permintaan Anda berdasarkan audio yang benar-benar Anda butuhkan, bukan mengandalkan batas output yang didokumentasikan.

Jika tugas Anda adalah pembuatan teks, terjemahan, klasifikasi, atau apa pun yang mengembalikan output tertulis, model ini adalah pilihan yang salah, karena model ini hanya mengeluarkan speech. Model ini juga pilihan yang buruk jika Anda membutuhkan voice di luar empat yang tercantum atau bahasa di luar 15 bahasa yang didukung. Untuk kasus tersebut, lihat model teks atau model speech lain di api14.