Microsoft AI: MAI-Voice-2

MAI-Voice-2 は、Microsoft AI による表現力豊かなテキスト読み上げモデルで、プロバイダーによって 2026 年 6 月 2 日にリリースされました。これは音声カテゴリに属するため、その役割はテキスト自体を生成または編集することではなく、書かれたテキストを音声に変換することです。合成音声が必要なものを構築している場合、これは他のテキスト読み上げオプションと並べて評価する種類のモデルです。

このモデルはテキストのみを入力として受け取り、音声のみを出力として生成します。表現力豊かと説明されており、平坦で機械的な読み上げが体験を損なうアプリケーションでは重要です。Microsoft はこれを会話アシスタント、メディアのナレーション、アクセシビリティ、教育、その他の長文音声アプリケーション向けに位置づけており、15 の言語をサポートしています。このモデルにはコンテキスト長が記載されていないため、トークンベースのコンテキスト計画はここでは該当しないものとして扱ってください。利用可能な音声は en-US-Harper、es-MX-Valeria、fr-FR-Soleil、de-DE-Klaus で、それぞれが MAI-Voice-2 モデルに紐づいています。

これらの機能は、かなり明確なユースケース群を示しています。会話アシスタントはこれを使って、自然な声でユーザーに返答を読み上げることができます。メディアおよびコンテンツチームは、動画、記事、その他の長文素材に対するナレーションに使用できます。アクセシビリティツールは、書かれたコンテンツを、聞くことを好むユーザー向けの音声に変換できます。教育製品は、レッスン、演習、学習教材を読み上げることができます。このモデルは長文音声作業を扱うため、単一の短いクリップではなく持続的な音声出力が必要なプロジェクトに適しています。

これは、モデル id "microsoft/mai-voice-2" を使用して、api14 の OpenAI 互換 API を通じて呼び出します。インターフェースは OpenAI 形式に従っているため、既存の OpenAI 形式のクライアントコードを api14 に向け、このモデル id に差し替えることができます。このモデルにはサポートされるパラメータが記載されていないため、temperature や top_p などの調整ノブが効果を持つと想定しないでください。音声の選択が主な操作面であり、上記の 4 つの音声から選びます。maxOutput は 0 として報告されているため、文書化された出力上限に頼るのではなく、実際に必要な音声を基準にリクエストを計画してください。

タスクがテキスト生成、翻訳、分類、または書かれた出力を返すものである場合、このモデルは適していません。音声のみを出力するためです。また、記載された 4 つ以外の音声や、サポートされている 15 言語を超える言語が必要な場合にも不適切な選択です。そのような場合は、api14 のテキストモデルまたは別の音声モデルを検討してください。