微软发布MAI-Voice-2.1及Flash，同一音色支持23种语言

微软同日推出MAI-Voice-2.1和MAI-Voice-2.1-Flash文本转语音家族，支持23种语言、26个地区变体，同一音色在切换语言时保持说话人特征。Flash面向高容量、低延迟负载，官方称可在150ms端到端模型生成延迟内生成45秒音频；这是厂商模型测量，不能包含网络、排队和上游推理。两个版本支持短参考音频克隆，并设置同意防护。原文列价为每百万字符22/15美元，提供Foundry、Playground和相关平台入口，LiveKit仍待后续开放。两种变体合并一条，与语音转写模型按不同任务分别记录。