MAI-Voice-2.1とは？
MAI-Voice-2.1はMicrosoft AIの音声合成モデルで、2026年10月1日に、より高速なMAI-Voice-2.1-Flashと音声認識モデルMAI-Transcribe-2-Streamingとともに公開されました。23言語を話し、どの言語でも同じ声の個性を保つため、アシスタントが英語から中国語に切り替えても別人のようには聞こえません。
どちらのモデルも、ライセンス済みのプリセット音声、SSMLによる感情とスタイルの制御、5〜60秒の参照音声からの即時ボイスクローンを備えます。クローンにはMicrosoftの限定アクセスの承認と、録音した同意表明が必要です。フルモデルは長尺のナレーション向けに、Flashは音声エージェントやコールセンターでの低遅延向けに調整されています。
Microsoft FoundryのAzure Speechから14のAzureリージョンで提供されるほか、OpenRouter、Vercel、LiveKitからも使えます。Microsoftの価格はMAI-Voice-2.1が100万文字あたり22ドル、Flashが15ドルです。どちらもパブリックプレビューです。
MAI-Voice-2.1は使う価値があるか？
MAI-Voice-2.1はまず価格で勝負しています。100万文字あたり22ドルで、Eleven v4の80ドル（ElevenLabsの価格は1,000文字あたり0.08ドル）の4分の1強にあたり、Flashの15ドルはEleven v4 Turboの40ドルを下回ります。月5,000万文字の利用なら、MAI-Voice-2.1で1,100ドル、Eleven v4で4,000ドルです。
品質面の根拠は書類上では弱めです。Microsoftの発表はフルモデルの品質について何も主張しておらず、Flashについても名前を伏せた競合と比べて55%速く60%安いと述べるだけです。Eleven v4が首位のArtificial Analysisの音声ランキングには、執筆時点でMAI-Voice-2.1は載っていません。自社の原稿で試すべきです。
得意なのは一貫性です。Microsoftによれば一つの声が23言語すべてで個性を保ち、フルモデルは話者の性格が安定した長尺ナレーション向けに作られているため、オーディオブックや講座に向いています。感情の制御は標準のSSMLタグで行うので、すでにAzure Speechを使うチームは連携を作り直すのではなく声の名前を一つ変えるだけです。
ボイスクローンは制限付きで、これは正しい初期設定です。5〜60秒の音声からクローンするには、Microsoftの限定アクセス審査と話者本人の同意録音のアップロードが必要で、プリセット音声にはどちらも要りません。本当の限界は対応言語数で、Eleven v4の90に対して23です。
どちらのモデルもサービスレベル契約のないパブリックプレビューで、Microsoftは本番利用を勧めていません。East USからJapan Eastまで14のリージョンで動いています。
真価を発揮する場面
8言語で講座を公開するオンライン学習企業
すべての言語で同じ講師の声だと分かるナレーションを講座動画に付ける
MAI-Voice-2.1のプリセット音声を一つ選んで全言語で使います。100万文字あたり22ドルなら月1,000万文字で220ドルで、Eleven v4のAPI料金では800ドルです。
Azureを使うコンタクトセンターのチーム
ベンダーを増やさずに電話エージェントに自然な声を与える
既存のSSMLの声の名前を100万文字あたり15ドルのMAI-Voice-2.1-Flashの声に替え、MAI-Transcribe-2-Streamingと組み合わせ、発信者に近いAzureリージョンに配置します。
クローンに同意した司会者がいるポッドキャストネットワーク
司会者の声で広告の読み上げや訂正を制作する
制限付きアクセスを申請し、司会者の同意表明と5〜60秒の参照音声をアップロードして、長尺の一貫性に調整されたフルモデルで合成します。
導入前に確認すること
- 導入
- Speech用のFoundryリソースを作成し、Azure Speech SDKとSSMLでen-US-Harper:MAI-Voice-2.1のような声を呼び出します。FlashはVoice Liveからも使えます。
- 連携
- Azure Speech SDKとSSML、Voice Live、Microsoft Foundry、OpenRouter、Vercel AI Gateway、LiveKit。
- データとプライバシー
- これらのモデルについては、プレビュー機能が異なるプライバシー慣行に従う場合があるとするAzureのプレビュー条項以外に記載はありません。クローンには声の提供者本人による録音した同意表明が必要です。
- 大規模利用時のコスト
- 月10億文字で、MAI-Voice-2.1は22,000ドル、Flashは15,000ドル。Eleven v4のAPI料金では80,000ドルです。
- 制限
- SLAのないパブリックプレビュー。23言語。14のAzureリージョンから提供。即時クローンには限定アクセスの承認が必要。
良い点
- 100万文字あたり22ドルで、Eleven v4の約4分の1
- 遅延に敏感な音声エージェント向けのFlashが15ドル
- 23言語で同じ声の個性を保つ
- ボイスクローンは同意と限定アクセス審査が前提
- Azure Speechの標準SSMLで、14リージョンで利用可能
気になる点
- SLAのないパブリックプレビュー
- 対応言語は23で、Eleven v4の90に及ばない
- 独立した品質評価が公表されていない
- Flashの速度の主張は名前を伏せた競合との比較
おすすめの人
すでにAzure Speechを使い、表現力のある多言語音声を低価格で使いたく、プレビューの状態を受け入れられるチーム。
MAI-Voice-2.1の代替
MAI-Voice-2.1：よくある質問
- MAI-Voice-2.1は使う価値があるか？
- MAI-Voice-2.1はAzureのチームにとって信頼できる低価格の音声ですが、対応言語はElevenLabsの4分の1で、独立した品質評価もまだありません。 評価は5点満点中4.0点です。
- MAI-Voice-2.1の料金は？
- Foundry上のAzure Speech経由で、MAI-Voice-2.1は100万文字あたり22ドル、MAI-Voice-2.1-Flashは100万文字あたり15ドル。OpenRouterとVercelも同じ22ドルの料金です。
- MAI-Voice-2.1の欠点は？
- SLAのないパブリックプレビュー; 対応言語は23で、Eleven v4の90に及ばない; 独立した品質評価が公表されていない; Flashの速度の主張は名前を伏せた競合との比較.
- MAI-Voice-2.1は誰に向いているか？
- すでにAzure Speechを使い、表現力のある多言語音声を低価格で使いたく、プレビューの状態を受け入れられるチーム。
- チームや本番環境でMAI-Voice-2.1を使うと費用はいくらか？
- 月10億文字で、MAI-Voice-2.1は22,000ドル、Flashは15,000ドル。Eleven v4のAPI料金では80,000ドルです。
- MAI-Voice-2.1は企業データを扱っても安全か？
- これらのモデルについては、プレビュー機能が異なるプライバシー慣行に従う場合があるとするAzureのプレビュー条項以外に記載はありません。クローンには声の提供者本人による録音した同意表明が必要です。
- MAI-Voice-2.1の代わりになるものは？
- 当サイトでレビューした中で最も近い代替はEleven v4 and v4 Turbo, Gemini 3.8 Flash TTS 、 Cartesia Sonic 3.6です。
回答確認日：2026年11月6日
MAI-Voice-2.1の開発元の方へ：この評価をサイトに掲載できます
