Microsoft AI: MAI-Voice-2-Flash

MAI-Voice-2-Flash adalah model text-to-speech dari Microsoft AI, yang dirilis oleh provider pada 23 Juli 2026. Model ini berada di kategori speech dan dibangun khusus untuk generasi suara dengan latensi rendah, yang menempatkannya dalam keluarga workload yang sama dengan voice agent, asisten, call centre, alat aksesibilitas dan narasi, bukan di ruang text atau vision serbaguna. Jika Anda membangun apa pun yang perlu mengubah input tertulis menjadi output lisan secara real time, inilah jenis model yang Microsoft ingin Anda gunakan.

Model ini menerima teks sebagai satu-satunya input dan menghasilkan speech sebagai satu-satunya output. Speech yang dihasilkan adalah audio mono 24 kHz yang ekspresif, yang merupakan titik kualitas yang wajar untuk aplikasi interaktif di mana kejelasan dan pacing alami lebih penting daripada produksi kelas studio. Provider menyebutkan cakupan untuk 15 bahasa, dan empat voice tersedia untuk digunakan: en-US-Harper, es-MX-Valeria, fr-FR-Soleil dan de-DE-Klaus, semuanya di bawah keluarga voice MAI-Voice-2. Tidak ada context length yang dipublikasikan untuk model ini, jadi Anda sebaiknya memperlakukan ukuran prompt sebagai sesuatu yang perlu divalidasi terhadap input Anda sendiri daripada mengasumsikan batas maksimum yang terdokumentasi.

Penggunaan praktisnya mengikuti langsung dari bentuk tersebut. Voice agent atau asisten dapat mengambil respons teks dari pipeline Anda dan membacakannya kembali ke pengguna dengan delay rendah, yang menjadi pembeda antara percakapan yang terasa responsif dan yang terasa rusak. Alur call centre dan IVR dapat menghasilkan prompt, konfirmasi dan respons dinamis secara langsung alih-alih mengandalkan pustaka klip yang sudah direkam sebelumnya. Alat aksesibilitas dapat membacakan konten dengan lantang dalam bahasa dan voice yang dipilih. Narasi untuk konten short-form atau interaktif juga memungkinkan, meskipun empat voice yang terdaftar dan output mono 24 kHz menentukan rentang yang Anda gunakan.

Anda memanggilnya melalui API yang kompatibel dengan OpenAI dari api14 menggunakan model id "microsoft/mai-voice-2-flash". Karena endpoint mengikuti skema OpenAI, Anda dapat mengarahkan klien OpenAI yang sudah ada ke api14 dan mengirim permintaan dengan cara biasa, dengan model id sebagai field model dan teks Anda sebagai input. Model ini melaporkan tidak ada parameter permintaan yang didukung selain itu, jadi tidak ada sampling, temperature atau permukaan tuning serupa yang terdokumentasi untuk dikonfigurasi. Pemilihan voice adalah kontrol utama yang Anda miliki, diambil dari empat voice yang terdaftar di atas. Periksa tabel harga langsung di halaman untuk tarif terkini.

Satu batasan yang perlu diperhatikan sebelum Anda berkomitmen: model ini hanya menghasilkan speech, jadi model ini tidak akan mengembalikan teks, data terstruktur atau gambar, dan tidak cocok untuk pekerjaan transkripsi atau speech-to-text. Jika tugas Anda adalah menghasilkan konten tertulis, melakukan reasoning atas dokumen atau menangani input multimodal, model text atau vision adalah pilihan yang lebih baik. Namun dalam jalurnya, MAI-Voice-2-Flash adalah opsi yang terfokus untuk generasi speech yang sensitif terhadap latensi di seluruh bahasa dan voice yang telah dipublikasikan Microsoft.