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。 热门评论 PH 用户我主要为服务行业构建语音智能体——主要是医疗和家政服务——而该领域最大的未解难题是韵律。那种“这是机器人吗？”的感觉通常发生在通话的前8秒。MAI-Voice-2 是我通过 A/B 测试的第一款 TTS，测试中我的试点用户都无法分辨出来。$22/百万字符的定价低于 ElevenLabs，并且与 gpt-realtime 的 TTS 层持平。如果你正在做语音产品并且绑定了 OpenAI Realtime，值得并排跑一下对比。我好奇微软接下来是否会通过 WebRTC 流式传输实现低于 200ms 的首 token 延迟。PH 用户简直不可思议，这些语音模型已经变得和真人声音难以区分。我想知道，有没有针对模型能回答的问题复杂度的基准测试或详细评估？这个差距一直是我采用 AI 语音智能体来独立承担客服角色的主要障碍，但我很好奇这方面的进展如何。PH 用户对我来说，最突出的是它在 15 种语言中保持一致的语音身份。我维护着一个每天打电话问候年迈父母的语音伴侣，我们的许多家庭都是移民，他们的父母用母语沟通最自在。一个温暖、熟悉的声音，无论是他加禄语还是普通话，往往决定了对方是期待这通电话还是让它响到无人接听。想问团队：在完整的 10 分钟对话中，克隆的身份和情绪控制有多稳定？还是会随着会话时长增加，韵律逐渐漂移到中性？ 热门产品Habib Ferdous2026-06-05原文 打开互动版
MAI-Voice-2 是我通过 A/B 测试的第一款 TTS，测试中我的试点用户都无法分辨出来。$22/百万字符的定价低于 ElevenLabs，并且与 gpt-realtime 的 TTS 层持平。
如果你正在做语音产品并且绑定了 OpenAI Realtime，值得并排跑一下对比。我好奇微软接下来是否会通过 WebRTC 流式传输实现低于 200ms 的首 token 延迟。