Voice-2

general · 首次出现 2026-06-02 · 最近出现 2026-10-02 · 累计提及 30

综述

Voice-2(MAI-Voice-2)是微软自研的语音生成模型系列,定位为公司 MAI 模型家族中的语音合成(TTS)产品线,用于将文本转换为自然的人声输出。与依赖第三方的早期方案不同,这一系列标志着微软在语音 AI 上转向自研路线,并已实际落地于 Bing 和 PowerPoint 等自家产品。

Voice-2 近期进展

微软近期一次更新中同时发布了三款语音相关模型,涵盖语音生成与实时转录两条线。其中 Microsoft发布MAI语音模型系列 提到,MAI-Voice-2 系列作为生成侧的核心产品亮相,与转录模型共同构成完整的语音能力栈。

在速度与多语言支持上,微软 MAI-Voice-2-Flash 发布:速度提升2倍,支持15种语言 显示 Flash 版本生成速度提升 2 倍,覆盖 15 种语言,面向对延迟敏感的实时对话场景。

分发渠道方面,Voice-2 系列正在快速进入主流 AI 网关。根据 微软MAI-Voice-2.1语音模型上线OpenRouter 与 微软MAI-Voice-2.1-Flash语音模型上线OpenRouter,标准版与 Flash 版均已登陆 OpenRouter;同时 MicrosoftAI模型接入Vercel AI Gateway 表明该系列也接入了 Vercel AI Gateway。

配套的转录能力也在跟进。Microsoft 发布实时语音转录模型 Transcribe-2-Streaming 介绍了配套的流式转录模型,与语音生成形成互补。国内科技媒体的报道 微软发布MAI-Image-2.5-Pro与MAI-Voice-2-Flash模型,已落地Bing和PowerPoint 则确认 Flash 版本已实际应用于 Bing 和 PowerPoint。

当前焦点与观察点

目前的关注点集中在三个方面:一是微软语音模型的自研化程度及其与 OpenAI 等合作方产品的关系;二是 Flash 等轻量版本在实时语音交互中的实际延迟表现;三是通过 OpenRouter、Vercel 等网关的第三方开放策略能否帮助 Voice-2 在竞争激烈的 TTS 市场中获取开发者份额。后续值得观察的还包括多语言覆盖扩展与在企业产品(如 Copilot 生态)中的进一步集成。

相关报道

10 条在档