MAI-Voice-2.1 是微软 AI 的文字转语音双模型，于 2026 年 10 月 1 日与 MAI-Transcribe-2-Streaming 同时发布。这几个模型设计成配合使用：Transcribe-2-Streaming 负责语音智能体的「听」，MAI-Voice-2.1 或其低延迟姊妹模型 MAI-Voice-2.1-Flash 负责「说」。
它最特别的卖点是多语言身份。微软称，同一个声音可以先说英语，再说普通话，再说德语，依然是明显同一个说话人，并且自然带上各语言的母语口音，而不是把一种口音拖到所有语言里。两个模型目前都在 Azure 上处于公开预览。
两个模型
| MAI-Voice-2.1 | MAI-Voice-2.1-Flash | |
|---|---|---|
| 定位 | 保真度最高、表现力最强；长篇旁白 | 为规模而生——快速、低延迟、更低成本 |
| 模型推理延迟 | 约 550 毫秒 | 约 45 毫秒 |
| 价格 | 每百万字符 $22 | 每百万字符 $15 |
| 语言 | 23 种语言、26 个 locale | 与 MAI-Voice-2.1 相同 |
| 适合 | 有声书、内容创作、配音、讲座 | 呼叫中心智能体、语音助手、IVR |
| 情绪控制 | 支持（SSML） | 支持（SSML） |
| 零样本声音提示 | 支持（受限） | 支持（受限） |
微软的发布文章还称，Flash 生成 45 秒音频的端到端延迟为 150 毫秒，模型推理快 55%，比同类模型便宜约 60%。这些是厂商数字，未点名对比对象，所以请在你自己的线路上实测延迟。MAI-Voice-2.1 本身被明确划为不适合对延迟要求苛刻的场景：它优先考虑自然度和表现力。
功能
- 跨语言声音。 同一个声音身份贯穿所有支持的语言，每种语言都带母语口音，并支持跨语言克隆。
- 即时声音克隆（受限）。 用 5–60 秒的授权参考片段匹配声音，无需微调。内置防护只允许使用经授权、已同意的声音。
- 情绪与风格控制：通过 SSML 的
mstts:express-as与style属性（joy、excitement、empathy 等）。 - 声音库。 每种支持语言都有经授权的精选预置声音。
- 长篇一致性。 MAI-Voice-2.1 面向有声书、播客和讲座，追求稳定的人设质量与说话人一致性。
语言
模型卡写明23 种语言、26 个 locale。已列出的语言包括英语（美国、澳大利亚、英国、印度）、意大利语、法语、德语、印地语、西班牙语（西班牙、墨西哥）、葡萄牙语（巴西、葡萄牙）、韩语、简体中文、土耳其语、俄语、泰语、荷兰语、罗马尼亚语、匈牙利语、捷克语、丹麦语、芬兰语、印尼语、波兰语、瑞典语、挪威语（书面挪威语）和越南语。微软模型页在「23 Languages」标题下列出了 28 个标签，所以确切的 locale 数量尚未对齐，请测试你需要的具体 locale。
定价与状态
- 价格： 据 Microsoft AI 模型页，MAI-Voice-2.1 每百万字符 $22，Flash 每百万字符 $15。Azure 语音定价页是权威的计费参考。
- 粗略的每分钟成本： 按每分钟语音 900–1,000 字符估算（我们的估计），MAI-Voice-2.1 约每分钟 $0.02，Flash 约 $0.014——与 Gemini 3.8 Flash TTS 的推广期价格处于同一量级。
- 状态： 公开预览。微软 Learn 称该预览不附带服务级别协议，不建议用于生产工作负载。
- 使用权利： 微软称这些模型向第三方开发者开放，且微软拥有商业使用的完整许可权利。
可用渠道
- Microsoft Foundry 与 Azure Speech： SDK（.NET、Python、Java、JavaScript、C++）与 REST。使用
en-US-Harper:MAI-Voice-2.1与en-US-Harper:MAI-Voice-2.1-Flash这类 SSML 声音名。 - Azure Voice Live、 MAI Playground（含名为 Chatter 的实时智能体演示）、OpenRouter 与 Vercel；LiveKit 列为即将推出。微软还列出了 Copilot Audio Expressions。
- 区域： 全球可访问，由 14 个 Azure 区域提供服务，包括法国中部、美国东部、西欧、瑞典中部与日本东部。
横向对比
- 对比 Gemini 3.8 Flash TTS： Google 提供 130 种语言、基于提示词的声音设计、双人场景编排和免费档；MAI-Voice-2.1 提供同一个声音跨 23 种语言的母语口音，并与微软的流式转写紧密配合。
- 对比 Eleven v4： ElevenLabs 在独立盲测中领先，支持 90+ 种语言、生态成熟，每百万字符 $40–$80；MAI-Voice 纸面上更便宜（$15–$22），但尚未被测量，仍处于预览阶段。
- 对比 MiniMax Speech： MiniMax 约 10 秒音频即可克隆声音、每个声音 $1.50，但每百万字符收 $60–$100；MAI-Voice 按字符更便宜，在克隆环节内置了授权防护，并通过 Azure 的 Speech SDK 与 Foundry 交付。
- 对比 Qwen-Audio 3.1： 阿里的产品线把 ASR、TTS 与实时模型放在同一个家族里；微软则把转写与语音拆成不同的 MAI 模型。
局限
- 预览状态。 没有 SLA；能力和价格都可能变化。
- 没有公布基准数字，语音模型只有定性说法。两者都还不在 Artificial Analysis 语音竞技场上；其前代 MAI-Voice-1 排第 72（Elo 1033），榜首为 1330。
- 克隆受限，需要授权验证，可能并非对所有账号开放。
- 延迟取舍。 旗舰模型并非为实时智能体设计，请使用 Flash。
其他语音模型见音频模型目录。
适用场景
- 语音智能体、呼叫中心与 IVR 流程（Flash），与 MAI-Transcribe-2-Streaming 搭配
- 有声书、播客、讲座与配音（MAI-Voice-2.1）
- 用同一个声音、以用户语言作答的多语言助手
- 带授权验证的跨市场品牌声音克隆
优缺点
优势
- 同一个声音身份跨 23 种语言（26 个 locale），每种语言都带母语口音，品牌声音或辅导老师可在对话中途切换语言
- 两档——MAI-Voice-2.1 追求保真度与长篇一致性（有声书、配音），Flash 在智能体中实现约 45 毫秒模型推理、150 毫秒端到端延迟
- Flash 定价每百万字符 $15；微软称它比同类模型便宜约 60%、推理快 55%
- 5–60 秒片段即可即时克隆声音，无需微调，带授权防护，并支持 SSML 情绪控制（joy、excitement、empathy 等）
局限
- 公开预览——没有 SLA，微软自己的文档也不建议用于生产工作负载
- 与其 Transcribe-2 的发布不同，微软没有为语音模型公布独立基准数字（只称「表现力与自然度领先」）
- 声音克隆受限（gated），且主模型更看重自然度而非延迟（约 550 毫秒推理）
- 仅支持通过 SSML 输入文本；模型页在「23 种语言」标题下列出 28 个语言标签，而模型卡写的是 23 种语言、26 个 locale
常见问题
MAI-Voice-2.1 是什么？
MAI-Voice-2.1 是微软 AI 自研的提示式文字转语音模型，2026 年 10 月 1 日与 MAI-Voice-2.1-Flash、MAI-Transcribe-2-Streaming 一起发布。它能生成 23 种语言、26 个 locale 的富表现力语音，并可让同一个声音身份贯穿所有支持的语言。
MAI-Voice-2.1 多少钱？
Microsoft AI 列出的价格是 MAI-Voice-2.1 每百万字符 $22、MAI-Voice-2.1-Flash 每百万字符 $15。按每分钟语音约 900–1,000 字符估算，约合每分钟 $0.02 与 $0.014。由于模型处于公开预览，实际计费请查看 Azure 语音定价页。
MAI-Voice-2.1 与 MAI-Voice-2.1-Flash 有什么区别？
MAI-Voice-2.1 是保真度最高的模型，面向长篇旁白、有声书和配音，模型页列出的推理延迟约 550 毫秒。Flash 面向高并发、对延迟敏感的工作，如呼叫中心智能体、助手与 IVR，推理延迟约 45 毫秒，微软称生成 45 秒音频的端到端延迟为 150 毫秒。两者支持相同的 23 种语言。
MAI-Voice-2.1 能克隆我的声音吗？
可以，但受限制。它可用 5–60 秒的授权参考片段匹配声音，无需微调，也支持跨语言，内置防护只允许使用经授权、已同意的声音。
在哪里可以使用 MAI-Voice-2.1？
通过 Microsoft Foundry 与 Azure Speech（SDK 与 REST，使用 en-US-Harper:MAI-Voice-2.1 这类 SSML 声音名）、Azure Voice Live、MAI Playground、OpenRouter 和 Vercel，LiveKit 列为即将推出。Azure 在 14 个区域提供全球服务。
MAI-Voice-2.1 可以用于生产吗？
按微软自己的说法不建议。其 Learn 页面把该功能描述为公开预览，没有服务级别协议，不建议用于生产工作负载。在你投入之前，请预期它的状态可能会变化。