MAI-Voice-2.1

MAI-Voice-2.1 是微软于 2026 年 10 月 1 日发布的文字转语音模型，支持 23 种语言，当前在 Azure Speech 中为公开预览。它以有声书、播客、教育内容和配音为主要场景，支持情绪与风格控制，以及经授权的短音频参考声音匹配。

标准版侧重长篇生成中的声音一致性

微软将标准版定位为高保真、富有表现力的语音生成模型，强调长篇内容中说话人特征与韵律的稳定性。模型参数量、架构和权重未公开，不能仅凭产品名称推断两版的内部结构。

官方延迟不是独立测得的整段生成时间

微软产品页列出的模型推理延迟约为 550 毫秒。Flash 发布说明另给出生成 45 秒音频时约 150 毫秒的端到端延迟；这些是不同指标。官方没有在该页给出完整硬件、文本长度、并发和测量方法，本次未找到可核对的独立语音质量评测原始数据，因此不把延迟数字或语音质量宣传写成第三方评测成绩。

每百万字符 22 美元，按字符而非 token 计费

发布时 MAI-Voice-2.1 为每百万字符 22 美元，Flash 为 15 美元。Flash 的公布价格比标准版低约 31.8%，这只是同系列公开单价的比较。本站按音频生成服务的字符计费记录价格，不将它折算为每百万文本 token，也不把文字转语音与语音转文字的每分钟价格混用。

声音匹配需要授权，预览状态仍需纳入选型

微软文档支持通过 SSML 控制情绪和风格，并说明即时声音克隆为受限功能，参考片段长度为 5 至 60 秒且必须获得声音授权。官方发布说明称支持 23 种语言、26 个 locale，但产品页枚举的地区变体与这一数量口径不完全一致；本站保留 23 种语言的明确声明，暂不填入未经统一核对的 locale 清单。Azure Speech 文档将两个模型标为公开预览，不提供服务等级协议。

来源：微软发布说明（2026-10-01）；MAI-Voice 产品页；Azure Speech 官方文档。信息核对日期：2026-10-03。