Microsoft AI: MAI-Voice-2

MAI-Voice-2 är en uttrycksfull text-till-tal-modell från Microsoft AI, släppt av leverantören den 2 juni 2026. Den tillhör kategorin tal, så dess uppgift är att omvandla skriven text till talat ljud snarare än att generera eller redigera text själv. Om du bygger något som behöver en syntetisk röst är detta den typ av modell du skulle utvärdera tillsammans med andra text-till-tal-alternativ.

Modellen tar text som sin enda indata och producerar tal som sin enda utdata. Den beskrivs som uttrycksfull, vilket spelar roll för applikationer där platt, robotaktig leverans skulle försämra upplevelsen. Microsoft positionerar den för konversationsassistenter, medieberättande, tillgänglighet, utbildning och andra röstapplikationer för längre format, och den stöder 15 språk. Ingen kontextlängd anges för denna modell, så behandla tokenbaserad kontextplanering som inte tillämplig här. De tillgängliga rösterna är en-US-Harper, es-MX-Valeria, fr-FR-Soleil och de-DE-Klaus, var och en knuten till modellen MAI-Voice-2.

Dessa funktioner pekar mot en ganska tydlig uppsättning användningsfall. Konversationsassistenter kan använda den för att tala tillbaka svar till användare med en naturlig röst. Medie- och innehållsteam kan använda den för berättarröst över video, artiklar eller annat material i längre format. Tillgänglighetsverktyg kan omvandla skrivet innehåll till ljud för användare som föredrar att lyssna. Utbildningsprodukter kan läsa lektioner, övningar eller studiematerial högt. Eftersom modellen hanterar röstarbeete i längre format passar den projekt där du behöver ihållande talutdata snarare än ett enda kort klipp.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id:t "microsoft/mai-voice-2". Eftersom gränssnittet följer OpenAI-formatet kan du rikta befintlig OpenAI-liknande klientkod mot api14 och byta in detta modell-id. Modellen listar inga parametrar som stöds, så anta inte att justeringsrattar som temperature eller top_p kommer att ha någon effekt. Röstval är den huvudsakliga styrningsytan, och du väljer bland de fyra rösterna ovan. Observera att maxOutput rapporteras som 0, så planera dina förfrågningar kring det ljud du faktiskt behöver snarare än att förlita dig på ett dokumenterat utdatatak.

Om din uppgift är textgenerering, översättning, klassificering eller något som returnerar skriftlig utdata är denna modell fel val, eftersom den bara avger tal. Den är också ett dåligt val om du behöver en röst utanför de fyra listade eller ett språk bortom de 15 den stöder. För dessa fall, titta på en textmodell eller en annan talmodell på api14.