Microsoft MAI-Voice-2
微软最富表现力的TTS模型，支持15种语言的语音克隆和情感控制，为语音智能体构建者提供高质量语音合成。
微软目前表现力最强的TTS模型——支持从短样本进行语音克隆、精细情感控制，并在15种语言中保持一致的语音身份。现已登陆Azure AI Foundry，定价每百万字符22美元，集成功能正在VSCode、Dynamics 365 Contact Center和Teams中陆续推出。专为构建语音智能体的开发者设计，他们需要生产级的韵律表现，但又不想承受OpenAI Realtime API的高昂价格。