Skip to content

Microsoft MAI-Voice-2

Microsoft MAI-Voice-2 é um modelo avançado de text-to-speech (TTS) projetado para gerar fala altamente expressiva, com som natural e de alta fidelidade.

Freemium

Microsoft MAI-Voice-2 em resumo

MAI-Voice-2 oferece clonagem de voz multilíngue expressiva, mas seus recursos de nível empresarial são um exagero para TTS rápido e simples.
stork0:00 / 0:04
Beatriz, uma de 89 vozes. Aperte o play.
Uma locução custa $0.05 o minuto.
Digite até 20 000 caracteres e receba um MP3. 89 vozes, 38 idiomas. Três grátis por dia, de um minuto cada.
Criar uma locução

O que é o Microsoft MAI-Voice-2?

Microsoft MAI-Voice-2 é um modelo de text-to-speech (TTS) desenvolvido pela Microsoft que permite a desenvolvedores e organizações gerar fala altamente expressiva, com som natural e de alta fidelidade. Ele suporta clonagem de voz e saída multilíngue em 15 idiomas. Parte da família MAI (Microsoft AI) mais ampla da Microsoft, o MAI-Voice-2 converte texto escrito em áudio falado, capturando entonação, ritmo e nuances emocionais semelhantes aos humanos. O modelo foi lançado oficialmente em 2 de junho de 2026, no Microsoft Build 2026, sucedendo o MAI-Voice-1 com aprimoramentos significativos no suporte e controle de idiomas. Está disponível no Microsoft Azure Foundry e está sendo integrado ao VSCode e ao Dynamics 365 Contact Center.

Principais Recursos do Microsoft MAI-Voice-2

Microsoft MAI-Voice-2 oferece um conjunto abrangente de recursos projetados para síntese de fala avançada e adaptação de voz, baseando-se em seu predecessor, MAI-Voice-1. Essas capacidades visam fornecer saída de áudio de alta fidelidade com controle granular e amplo suporte a idiomas para diversas aplicações.

  • Expansão Multilíngue: Suporta 15 idiomas em 18 localidades, incluindo English (EUA, Austrália), Italian, French, German, Hindi, Spanish (Espanha, México), Portuguese (Brasil, Portugal), Korean, Chinese (Simplificado), Turkish, Russian, Thai, Dutch, Romanian e Hungarian.
  • Controle de Emoção Aprimorado: Permite controle granular de emoção através de tags de emoção (por exemplo, triste, sussurrado, animado) e fala expressiva baseada em papéis (por exemplo, treinador motivacional, comentarista esportivo).
  • Zero-Shot Voice Prompting: Permite clonagem instantânea de voz usando apenas 5-60 segundos de áudio de referência, sem exigir fine-tuning, disponível para todos os idiomas suportados.
  • Capacidades de Code-Switching: Suporta fala natural em idiomas mistos para pares de idiomas selecionados, como Hindi-English e Spanish-English.
  • Geração de Fala de Alta Fidelidade: Produz fala com som natural e de alta fidelidade, com testes internos indicando qualidade indistinguível de gravações humanas.
  • Disponibilidade de Nível Empresarial: Disponível através do Microsoft Azure Foundry e integrado em plataformas empresariais como VSCode e Dynamics 365 Contact Center.
  • Salvaguardas de Consentimento: Inclui mecanismos integrados para garantir o uso ético da tecnologia de clonagem de voz.

Quem Deve Usar o Microsoft MAI-Voice-2?

Microsoft MAI-Voice-2 é projetado para uma ampla gama de usuários e organizações que exigem capacidades avançadas de text-to-speech, clonagem de voz e geração de áudio expressivo. Seus recursos atendem tanto a desenvolvedores que criam aplicativos com IA quanto a criadores de conteúdo que buscam voiceovers de alta qualidade.

  • Desenvolvedores de Assistentes de IA: Para criar vozes de marca para Copilot, outros aplicativos, dispositivos e sistemas de suporte ao cliente que exigem saída de voz consistente e envolvente.
  • Produtores de Entretenimento e Mídia: Ideal para gerar vozes de personagens para jogos, podcasts, audiolivros e experiências de realidade aumentada/virtual (AR/VR).
  • Provedores de Soluções de Acessibilidade: Adequado para fornecer narração para usuários com deficiência visual e desenvolver tecnologias de voz assistivas para indivíduos com deficiências de fala.
  • Criadores de Conteúdo Educacional: Para desenvolver conteúdo de aprendizagem interativo com narração expressiva para instrutores e personagens em cursos e simulações.
  • Criadores de Conteúdo e Profissionais de Marketing: Permite que criadores de conteúdo convertam texto em áudio usando suas próprias vozes clonadas sem a necessidade de um estúdio profissional, aprimorando marketing, publicidade e anúncios públicos.

Preços e Planos do Microsoft MAI-Voice-2

Microsoft MAI-Voice-2 opera em um modelo de preços baseado em uso, acessível através de plataformas como OpenRouter. A métrica de custo principal é baseada em input tokens processados. Embora o modelo de negócios geral seja categorizado como freemium, detalhes específicos de preços para um nível gratuito ou uso gratuito inicial não são detalhados publicamente nas informações fornecidas, sugerindo um foco no consumo por desenvolvedores e empresas via serviços Azure. Para comparação, seu predecessor, MAI-Voice-1, tinha preço por milhão de caracteres, indicando uma mudança na métrica de faturamento para o MAI-Voice-2.

  • MAI-Voice-2: $22 por milhão de input tokens, com $0 por milhão de output tokens.

Microsoft MAI-Voice-2 vs Concorrentes

Microsoft MAI-Voice-2 entra em um cenário competitivo dominado por provedores estabelecidos de geração de voz por IA e startups bem financiadas. A estratégia da Microsoft é alavancar seu ecossistema Azure AI, focando na confiabilidade, escalabilidade e custo-benefício de nível empresarial para diferenciar sua oferta. O modelo visa competir em qualidade, velocidade e amplo suporte a idiomas.

Microsoft MAI-Voice-2

Freemium

Gostando do artigo? Receba um assim na sua caixa de entrada toda manhã.

um e-mail por dia · cancele em dois cliques · sem rastreadores de terceiros