Microsoft AI: MAI-Voice-2

MAI-Voice-2 to ekspresyjny model zamiany tekstu na mowę od Microsoft AI, udostępniony przez dostawcę 2 czerwca 2026. Należy do kategorii mowy, więc jego zadaniem jest zamiana tekstu pisanego na dźwięk mowy, a nie generowanie ani edytowanie samego tekstu. Jeśli budujesz cokolwiek, co wymaga syntetycznego głosu, jest to rodzaj modelu, który warto ocenić obok innych opcji zamiany tekstu na mowę.

Model przyjmuje tekst jako jedyne wejście i produkuje mowę jako jedyne wyjście. Jest opisywany jako ekspresyjny, co ma znaczenie w aplikacjach, w których płaska, robotyczna interpretacja psułaby wrażenia. Microsoft pozycjonuje go dla asystentów konwersacyjnych, narracji medialnych, dostępności, edukacji i innych zastosowań głosowych o długiej formie, obsługuje 15 języków. Dla tego modelu nie podano długości kontekstu, więc planowanie kontekstu oparte na tokenach należy tu uznać za nieistotne. Dostępne głosy to en-US-Harper, es-MX-Valeria, fr-FR-Soleil i de-DE-Klaus, każdy przypisany do modelu MAI-Voice-2.

Te możliwości wskazują na dość jasny zestaw przypadków użycia. Asystenci konwersacyjni mogą go używać do wypowiadania odpowiedzi do użytkowników naturalnym głosem. Zespoły mediów i treści mogą go używać do narracji wideo, artykułów lub innych materiałów o długiej formie. Narzędzia dostępności mogą zamieniać treść pisaną na dźwięk dla użytkowników, którzy wolą słuchać. Produkty edukacyjne mogą czytać na głos lekcje, ćwiczenia lub materiały do nauki. Ponieważ model obsługuje głos o długiej formie, pasuje do projektów, w których potrzebujesz ciągłego wyjścia mowy, a nie pojedynczego krótkiego klipu.

Wywołujesz go przez API zgodne z OpenAI w api14, używając identyfikatora modelu "microsoft/mai-voice-2". Ponieważ interfejs jest zgodny z formatem OpenAI, możesz skierować istniejący kod klienta w stylu OpenAI do api14 i podmienić identyfikator modelu. Model nie wymienia żadnych obsługiwanych parametrów, więc nie zakładaj, że elementy dostrajania, takie jak temperature lub top_p, będą miały efekt. Wybór głosu to główna powierzchnia sterowania, a wybierasz spośród czterech głosów wymienionych powyżej. Pamiętaj, że maxOutput jest raportowany jako 0, więc planuj żądania wokół faktycznie potrzebnego dźwięku, zamiast polegać na udokumentowanym limicie wyjścia.

Jeśli Twoim zadaniem jest generowanie tekstu, tłumaczenie, klasyfikacja lub cokolwiek, co zwraca wyjście pisane, ten model się nie nadaje, ponieważ emituje tylko mowę. Jest też złym wyborem, jeśli potrzebujesz głosu spoza czterech wymienionych lub języka spoza 15 obsługiwanych. W takich przypadkach spójrz na model tekstowy lub inny model mowy w api14.