Microsoft AI: MAI-Voice-2

O MAI-Voice-2 é um modelo expressivo de conversão de texto em fala da Microsoft AI, lançado pelo fornecedor em 2 de junho de 2026. Ele pertence à categoria de fala, portanto sua função é transformar texto escrito em áudio falado, e não gerar ou editar texto em si. Se você está desenvolvendo algo que precisa de uma voz sintética, esse é o tipo de modelo que você avaliaria junto com outras opções de conversão de texto em fala.

O modelo recebe texto como sua única entrada e produz fala como sua única saída. Ele é descrito como expressivo, o que importa para aplicações em que uma entrega monótona e robótica prejudicaria a experiência. A Microsoft o posiciona para assistentes conversacionais, narração de mídia, acessibilidade, educação e outras aplicações de voz de formato longo, e ele suporta 15 idiomas. Nenhum comprimento de contexto é listado para este modelo, então considere o planejamento de contexto baseado em tokens como não aplicável aqui. As vozes disponíveis são en-US-Harper, es-MX-Valeria, fr-FR-Soleil e de-DE-Klaus, cada uma vinculada ao modelo MAI-Voice-2.

Essas capacidades apontam para um conjunto bastante claro de casos de uso. Assistentes conversacionais podem usá-lo para falar respostas de volta aos usuários com uma voz natural. Equipes de mídia e conteúdo podem usá-lo para narração sobre vídeo, artigos ou outros materiais de formato longo. Ferramentas de acessibilidade podem converter conteúdo escrito em áudio para usuários que preferem ouvir. Produtos educacionais podem ler lições, exercícios ou material de estudo em voz alta. Como o modelo lida com trabalho de voz de formato longo, ele se encaixa em projetos em que você precisa de saída de fala sustentada em vez de um único clipe curto.

Você o chama através da API compatível com OpenAI da api14 usando o id de modelo "microsoft/mai-voice-2". Como a interface segue o formato OpenAI, você pode apontar código de cliente existente no estilo OpenAI para a api14 e substituir por este id de modelo. O modelo não lista parâmetros suportados, então não presuma que ajustes como temperature ou top_p terão efeito. A seleção de voz é a principal superfície de controle, e você escolhe entre as quatro vozes listadas acima. Observe que maxOutput é reportado como 0, então planeje suas requisições em torno do áudio que você realmente precisa em vez de depender de um limite de saída documentado.

Se sua tarefa é geração de texto, tradução, classificação ou qualquer coisa que retorne saída escrita, este modelo é a escolha errada, já que ele apenas emite fala. Ele também é uma escolha ruim se você precisa de uma voz fora das quatro listadas ou de um idioma além dos 15 que ele suporta. Para esses casos, procure um modelo de texto ou um modelo de fala diferente na api14.