Microsoft AI: MAI-Voice-2-Flash

MAI-Voice-2-Flash, Microsoft AI tarafından geliştirilen ve sağlayıcı tarafından 23 Temmuz 2026 tarihinde yayımlanan bir metinden sese modelidir. Konuşma kategorisinde yer alır ve özellikle düşük gecikmeli ses üretimi için tasarlanmıştır; bu da onu genel amaçlı metin veya görüntü alanından ziyade sesli ajanlar, asistanlar, çağrı merkezleri, erişilebilirlik araçları ve anlatım gibi iş yükleriyle aynı aileye yerleştirir. Yazılı girdiyi gerçek zamanlı olarak sözlü çıktıya dönüştürmesi gereken bir şey geliştiriyorsanız, Microsoft'un başvurmanızı amaçladığı model türü budur.

Model tek girdi olarak metni alır ve tek çıktı olarak konuşma üretir. Ürettiği konuşma, anlaşılabilirliğin ve doğal temponun stüdyo kalitesinde prodüksiyondan daha önemli olduğu etkileşimli uygulamalar için makul bir kalite noktası olan, etkileyici, 24 kHz mono sestir. Sağlayıcı 15 dilde kapsamı tanımlamaktadır ve kullanım için dört ses sunulmaktadır: en-US-Harper, es-MX-Valeria, fr-FR-Soleil ve de-DE-Klaus, hepsi MAI-Voice-2 ses ailesi altında. Bu model için bağlam uzunluğu yayımlanmamıştır, bu nedenle istem boyutlandırmayı belgelenmiş bir üst sınır varsaymak yerine kendi girdilerinize karşı doğrulamanız gereken bir şey olarak ele almalısınız.

Pratik kullanımlar doğrudan bu yapıdan kaynaklanır. Bir sesli ajan veya asistan, işlem hattınızdan gelen metin yanıtını alıp kullanıcıya düşük gecikmeyle seslendirebilir; bu, duyarlı hissettiren bir konuşma ile bozuk hissettiren bir konuşma arasındaki farktır. Çağrı merkezi ve IVR akışları, önceden kaydedilmiş kliplerden oluşan sabit bir kütüphaneye güvenmek yerine istemleri, onayları ve dinamik yanıtları anında üretebilir. Erişilebilirlik araçları içeriği seçilen bir dilde ve seste yüksek sesle okuyabilir. Kısa biçimli veya etkileşimli içerik için anlatım da mümkündür, ancak listelenen dört ses ve 24 kHz mono çıktı, çalıştığınız aralığı tanımlar.

Modele api14'ün OpenAI uyumlu API'si üzerinden "microsoft/mai-voice-2-flash" model kimliğini kullanarak çağrı yaparsınız. Uç nokta OpenAI şemasını izlediği için, mevcut bir OpenAI istemcisini api14'e yönlendirebilir ve model alanı olarak model kimliği ve girdi olarak metninizle olağan şekilde bir istek gönderebilirsiniz. Model bunun ötesinde desteklenen bir istek parametresi bildirmemektedir, bu nedenle yapılandırılacak belgelenmiş bir örnekleme, sıcaklık veya benzeri ayar yüzeyi yoktur. Ses seçimi, yukarıda listelenen dört sesten seçilen sahip olduğunuz ana kontroldür. Güncel ücretler için sayfadaki canlı fiyat tablosuna bakın.

Taahhütte bulunmadan önce dikkate değer bir sınır: bu model yalnızca konuşma çıktısı verir, bu nedenle metin, yapılandırılmış veri veya görüntü döndürmez ve transkripsiyon ya da sesten metne dönüştürme işleri için uygun değildir. Göreviniz yazılı içerik üretmek, belgeler üzerinde akıl yürütmek veya çok kipli girdi işlemekse, bir metin veya görüntü modeli daha iyi bir seçimdir. Ancak kendi alanında MAI-Voice-2-Flash, Microsoft'un yayımladığı diller ve sesler genelinde gecikmeye duyarlı konuşma üretimi için odaklanmış bir seçenektir.