Microsoft AI: MAI-Voice-2

MAI-Voice-2 è un modello text-to-speech espressivo di Microsoft AI, rilasciato dal provider il 2 giugno 2026. Si colloca nella categoria speech, quindi il suo compito è trasformare testo scritto in audio parlato, non generare o modificare testo. Se stai costruendo qualcosa che richiede una voce sintetica, questo è il tipo di modello che valuteresti insieme ad altre opzioni text-to-speech.

Il modello prende il testo come unico input e produce parlato come unico output. È descritto come espressivo, il che conta per le applicazioni in cui una resa piatta e robotica rovinerebbe l'esperienza. Microsoft lo posiziona per assistenti conversazionali, narrazione multimediale, accessibilità, istruzione e altre applicazioni vocali long-form, e supporta 15 lingue. Per questo modello non è indicata alcuna lunghezza di contesto, quindi considera la pianificazione del contesto basata su token come non applicabile in questo caso. Le voci disponibili sono en-US-Harper, es-MX-Valeria, fr-FR-Soleil e de-DE-Klaus, ciascuna legata al modello MAI-Voice-2.

Queste capacità indicano un insieme abbastanza chiaro di casi d'uso. Gli assistenti conversazionali possono usarlo per pronunciare le risposte agli utenti con una voce naturale. I team media e contenuti possono usarlo per la narrazione su video, articoli o altro materiale long-form. Gli strumenti di accessibilità possono convertire contenuti scritti in audio per gli utenti che preferiscono ascoltare. I prodotti educativi possono leggere ad alta voce lezioni, esercizi o materiale di studio. Poiché il modello gestisce lavori vocali long-form, si adatta a progetti in cui serve un output vocale prolungato anziché una singola clip breve.

Lo chiami tramite l'API compatibile con OpenAI di api14 usando il model id "microsoft/mai-voice-2". Poiché l'interfaccia segue il formato OpenAI, puoi indirizzare codice client in stile OpenAI già esistente verso api14 e sostituire questo model id. Il modello non elenca parametri supportati, quindi non dare per scontato che parametri di tuning come temperature o top_p abbiano effetto. La selezione della voce è la principale superficie di controllo, e scegli tra le quattro voci elencate sopra. Nota che maxOutput è riportato come 0, quindi pianifica le tue richieste in base all'audio che ti serve davvero invece di affidarti a un limite di output documentato.

Se il tuo compito è generazione di testo, traduzione, classificazione o qualsiasi cosa che restituisca output scritto, questo modello non è adatto, dato che emette solo parlato. È anche una scelta poco adatta se ti serve una voce al di fuori delle quattro elencate o una lingua oltre le 15 supportate. In quei casi, guarda a un modello di testo o a un diverso modello speech su api14.