Microsoft AI: MAI-Voice-2-Flash

MAI-Voice-2-Flash は、Microsoft AI によるテキスト読み上げモデルで、プロバイダーによって 2026 年 7 月 23 日にリリースされました。これは音声カテゴリに属し、低レイテンシの音声生成のために特別に構築されているため、汎用のテキストやビジョンの領域ではなく、音声エージェント、アシスタント、コールセンター、アクセシビリティツール、ナレーションと同じワークロード群に位置づけられます。書かれた入力をリアルタイムで音声出力に変換する必要があるものを構築しているなら、これは Microsoft が手に取ることを想定してい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。生成される音声は表現力豊かな 24 kHz モノラル音声で、明瞭さと自然なペーシングがスタジオ品質の制作よりも重要となるインタラクティブなアプリケーションにとって妥当な品質ポイントです。プロバイダーは 15 言語にわたるカバレッジを説明しており、使用できる 4 つの音声が公開されています: en-US-Harper、es-MX-Valeria、fr-FR-Soleil、de-DE-Klaus で、すべて MAI-Voice-2 音声ファミリーに属します。このモデルにはコンテキスト長が公開されていないため、プロンプトのサイズは文書化された上限を前提とするのではなく、自分の入力に対して検証すべきものとして扱ってください。

実用的な用途は、その形から直接導かれます。音声エージェントやアシスタントは、パイプラインからのテキスト応答を受け取り、低遅延でユーザーに読み返すことができます。これは、応答性が高いと感じられる会話と、壊れていると感じられる会話の違いです。コールセンターや IVR のフローでは、録音済みクリップの固定ライブラリに頼るのではなく、プロンプト、確認、動的な応答をその場で生成できます。アクセシビリティツールは、選択した言語と音声でコンテンツを読み上げることができます。ショートフォームやインタラクティブなコンテンツのナレーションも可能ですが、リストされている 4 つの音声と 24 kHz モノラル出力が、作業する範囲を定義します。

これは、モデル id "microsoft/mai-voice-2-flash" を使用して、api14 の OpenAI 互換 API を通じて呼び出します。エンドポイントは OpenAI スキーマに従っているため、既存の OpenAI クライアントを api14 に向け、モデル id を model フィールドに、テキストを input に指定して通常どおりリクエストを送信できます。このモデルはそれ以外にサポートされるリクエストパラメータを報告していないため、設定すべきサンプリング、temperature、または同様のチューニング面は文書化されていません。音声の選択が主な制御であり、上記の 4 つの音声から選びます。現在の料金については、ページ上のライブ価格表を確認してください。

コミットする前に注意すべき制限が 1 つあります: このモデルは音声のみを出力するため、テキスト、構造化データ、画像を返すことはなく、文字起こしや音声認識の作業には適していません。タスクが書かれたコンテンツの生成、ドキュメントに対する推論、またはマルチモーダル入力の処理である場合、テキストモデルまたはビジョンモデルの方が適切な選択です。ただし、その領域内では、MAI-Voice-2-Flash は Microsoft が公開した言語と音声にわたるレイテンシに敏感な音声生成のための焦点を絞った選択肢です。