Skip to content

Microsoft MAI-Voice-2

Microsoft MAI-Voice-2は、非常に表現豊かで自然な響きの高忠実度な音声を生成するために設計された、高度なテキスト読み上げ(TTS)モデルです。

フリーミアム

Microsoft MAI-Voice-2の要点

MAI-Voice-2は表現力豊かな多言語音声クローンを提供しますが、そのエンタープライズグレードの機能は、素早くシンプルなTTSには過剰です。
stork0:00 / 0:06
Yui、89種類の声のひとつ。再生してみてください。
ナレーションは1分$0.05。
台本を入力するとMP3が届きます。89の声、38言語。1日3本まで無料(各1分まで)。
ナレーションを作る

Microsoft MAI-Voice-2とは?

Microsoft MAI-Voice-2は、Microsoftが開発したテキスト読み上げ(TTS)モデルで、開発者や組織が非常に表現豊かで自然な響きの高忠実度な音声を生成できるようにします。音声クローンと15言語にわたる多言語出力をサポートしています。Microsoftの広範なMAI(Microsoft AI)ファミリーの一部であるMAI-Voice-2は、書かれたテキストを話し言葉のオーディオに変換し、人間のようなイントネーション、リズム、感情のニュアンスを捉えます。このモデルは2026年6月2日にMicrosoft Build 2026で正式に発表され、言語サポートと制御において大幅な機能強化を伴いMAI-Voice-1の後継となりました。Microsoft Azure Foundryで利用可能であり、VSCodeおよびDynamics 365 Contact Centerに統合されています。

Microsoft MAI-Voice-2の主な機能

Microsoft MAI-Voice-2は、前身であるMAI-Voice-1を基盤とし、高度な音声合成と音声適応のために設計された包括的な機能セットを提供します。これらの機能は、きめ細やかな制御と幅広い言語サポートを備えた高忠実度オーディオ出力を様々なアプリケーションに提供することを目的としています。

  • 多言語対応の拡張: 英語(米国、オーストラリア)、イタリア語、フランス語、ドイツ語、ヒンディー語、スペイン語(スペイン、メキシコ)、ポルトガル語(ブラジル、ポルトガル)、韓国語、中国語(簡体字)、トルコ語、ロシア語、タイ語、オランダ語、ルーマニア語、ハンガリー語を含む18のロケールで15言語をサポートします。
  • 強化された感情制御: 感情タグ(例:悲しい、ささやき、興奮)と役割ベースの表現豊かな音声(例:モチベーションを高めるトレーナー、スポーツコメンテーター)を通じて、きめ細やかな感情制御を可能にします。
  • ゼロショット音声プロンプト: ファインチューニングを必要とせず、5〜60秒の参照音声のみを使用して即座に音声をクローンすることを可能にし、すべてのサポート言語で利用可能です。
  • コードスイッチング機能: ヒンディー語-英語やスペイン語-英語など、選択された言語ペアで自然な混合言語音声をサポートします。
  • 高忠実度音声生成: 自然な響きの高忠実度な音声を生成し、社内テストでは人間の録音と区別できない品質であることが示されています。
  • エンタープライズグレードの可用性: Microsoft Azure Foundryを通じて利用可能であり、VSCodeやDynamics 365 Contact Centerのようなエンタープライズプラットフォームに統合されています。
  • 同意のガードレール: 音声クローン技術の倫理的な使用を保証するための組み込みメカニズムが含まれています。

Microsoft MAI-Voice-2は誰が使うべきか?

Microsoft MAI-Voice-2は、高度なテキスト読み上げ機能、音声クローン、表現豊かなオーディオ生成を必要とする多様なユーザーや組織向けに設計されています。その機能は、AI搭載アプリケーションを構築する開発者と、高品質なナレーションを求めるコンテンツクリエイターの両方に対応しています。

  • AIアシスタント開発者: Copilot、その他のアプリケーション、デバイス、および一貫性のある魅力的な音声出力を必要とする顧客サポートシステム向けに、ブランドの音声を生成するため。
  • エンターテイメント&メディアプロデューサー: ゲーム、ポッドキャスト、オーディオブック、拡張現実/仮想現実(AR/VR)体験のキャラクター音声を生成するのに理想的です。
  • アクセシビリティソリューションプロバイダー: 視覚障害のあるユーザーへのナレーション提供や、言語障害のある個人のための支援音声技術の開発に適しています。
  • 教育コンテンツクリエイター: コースやシミュレーションにおける講師やキャラクター向けに、表現豊かなナレーションを備えたインタラクティブな学習コンテンツを開発するため。
  • コンテンツクリエイター&マーケター: プロのスタジオを必要とせずに、自身のクローン音声を使用してテキストをオーディオに変換することを可能にし、マーケティング、広告、および公共のアナウンスを強化します。

Microsoft MAI-Voice-2の料金とプラン

Microsoft MAI-Voice-2は、OpenRouterなどのプラットフォームを通じてアクセス可能な従量課金制の料金モデルで運用されています。主なコスト指標は、処理された入力トークンに基づいています。全体的なビジネスモデルはフリーミアムに分類されますが、無料ティアまたは初期の無料使用に関する具体的な詳細料金は、提供された情報では公開されていません。これは、Azureサービスを介した開発者およびエンタープライズ利用に焦点を当てていることを示唆しています。比較として、前身であるMAI-Voice-1は100万文字あたりの料金でしたが、MAI-Voice-2では課金指標が変更されています。

  • MAI-Voice-2: 100万入力トークンあたり22ドル、100万出力トークンあたり0ドル。

Microsoft MAI-Voice-2と競合他社

Microsoft MAI-Voice-2は、確立されたAI音声生成プロバイダーや資金豊富なスタートアップが支配する競争の激しい市場に参入します。Microsoftの戦略は、Azure AIエコシステムを活用し、エンタープライズグレードの信頼性、スケーラビリティ、費用対効果に焦点を当てることで、その製品を差別化することです。このモデルは、品質、速度、および広範な言語サポートで競争することを目指しています。

Microsoft MAI-Voice-2

フリーミアム

この記事が気に入ったら、毎朝同じようなものをメールで受け取れます。

1日1通 · 2クリックで解除 · サードパーティのトラッキングなし