O que é MAI-Voice-2.1?
MAI-Voice-2.1 é o modelo de texto para fala da Microsoft AI, lançado em 1 de outubro de 2026 junto com a variante mais rápida MAI-Voice-2.1-Flash e o reconhecedor de fala MAI-Transcribe-2-Streaming. Ele fala 23 idiomas e mantém a mesma identidade de voz em todos, de modo que um assistente pode passar do inglês para o mandarim sem parecer outra pessoa.
Os dois modelos oferecem vozes prontas licenciadas, controle de emoção e estilo via SSML e clonagem de voz instantânea restrita a partir de um clipe de referência de 5 a 60 segundos, que exige a aprovação de acesso limitado da Microsoft e uma declaração de consentimento gravada. O modelo completo é ajustado para narração longa; o Flash, para baixa latência em agentes de voz e centrais de atendimento.
Eles rodam pelo Azure Speech no Microsoft Foundry, servidos a partir de 14 regiões do Azure, e pelo OpenRouter, Vercel e LiveKit. A Microsoft cobra US$ 22 por milhão de caracteres pelo MAI-Voice-2.1 e US$ 15 pelo Flash. Ambos estão em preview pública.
MAI-Voice-2.1 vale a pena?
MAI-Voice-2.1 compete primeiro no preço. A US$ 22 por milhão de caracteres, custa pouco mais de um quarto dos US$ 80 do Eleven v4 (a ElevenLabs cobra US$ 0,08 por 1.000 caracteres), e o Flash, a US$ 15, fica abaixo dos US$ 40 do Eleven v4 Turbo. Uma carga de 50 milhões de caracteres por mês custa US$ 1.100 no MAI-Voice-2.1 e US$ 4.000 no Eleven v4.
Na qualidade, o argumento é mais fraco no papel. O anúncio da Microsoft não faz nenhuma afirmação de qualidade sobre o modelo completo e compara o Flash só com rivais não nomeados, dizendo que é 55% mais rápido e 60% mais barato. O ranking de voz da Artificial Analysis, liderado pelo Eleven v4, não lista o MAI-Voice-2.1 no momento em que escrevemos. Vale testar com seus próprios roteiros.
O que ele faz bem é consistência. A Microsoft diz que uma voz mantém a identidade nos 23 idiomas, e o modelo completo foi feito para narração longa com um caráter de locutor estável, o que combina com audiolivros e cursos. O controle de emoção funciona com tags SSML padrão, então quem já usa o Azure Speech troca um nome de voz, não uma integração.
A clonagem de voz é restrita, o que é o padrão certo. Clonar a partir de um clipe de 5 a 60 segundos exige a revisão de acesso limitado da Microsoft e o envio de uma gravação de consentimento do locutor; as vozes prontas não precisam de nada disso. A cobertura de idiomas é o limite real: 23 contra 90 do Eleven v4.
Os dois modelos são previews públicas sem acordo de nível de serviço, e a Microsoft não os recomenda para produção. Eles rodam em 14 regiões, de East US a Japan East.
Onde ele se destaca
Uma empresa de ensino online que publica cursos em oito idiomas
Narrar vídeos de cursos com uma voz de tutor reconhecível em todos os idiomas
Use uma única voz pronta do MAI-Voice-2.1 em todos os idiomas; a US$ 22 por milhão de caracteres, 10 milhões de caracteres por mês custam US$ 220, contra US$ 800 na tarifa de API do Eleven v4.
Uma equipe de central de atendimento no Azure
Dar uma voz natural a um agente telefônico sem acrescentar fornecedor
Troque o nome da voz no SSML existente por uma voz do MAI-Voice-2.1-Flash a US$ 15 por milhão de caracteres, combine com o MAI-Transcribe-2-Streaming e mantenha a implantação numa região do Azure perto de quem liga.
Uma rede de podcasts com um apresentador que aceita ser clonado
Produzir leituras de anúncios e correções na voz do apresentador
Peça o acesso restrito, envie a declaração de consentimento do apresentador e um clipe de referência de 5 a 60 segundos, e sintetize com o modelo completo, ajustado para consistência em formatos longos.
Antes de decidir
- Configuração
- Crie um recurso do Foundry para Speech e chame uma voz como en-US-Harper:MAI-Voice-2.1 pelo Azure Speech SDK com SSML; o Flash também funciona pelo Voice Live.
- Integrações
- Azure Speech SDK e SSML, Voice Live, Microsoft Foundry, OpenRouter, Vercel AI Gateway e LiveKit.
- Dados e privacidade
- Não descrito para esses modelos além dos termos de preview do Azure, que permitem que recursos em preview sigam práticas de privacidade diferentes; a clonagem exige uma declaração de consentimento gravada da pessoa cuja voz é usada.
- Custo em escala
- 1 bilhão de caracteres por mês custa US$ 22.000 no MAI-Voice-2.1 ou US$ 15.000 no Flash, contra US$ 80.000 na tarifa de API do Eleven v4.
- Limites
- Preview pública sem SLA; 23 idiomas; servido a partir de 14 regiões do Azure; a clonagem instantânea exige aprovação de acesso limitado.
O que é bom
- US$ 22 por milhão de caracteres, cerca de um quarto do Eleven v4
- Flash a US$ 15 para agentes de voz sensíveis à latência
- Uma identidade de voz em 23 idiomas
- Clonagem de voz restrita a consentimento e revisão de acesso limitado
- SSML padrão do Azure Speech, disponível em 14 regiões
O que não é
- Preview pública sem SLA
- 23 idiomas, contra 90 do Eleven v4
- Nenhuma classificação de qualidade independente publicada
- Os números de velocidade do Flash comparam com rivais não nomeados
Ideal para
Equipes que já usam o Azure Speech e querem vozes expressivas e multilíngues por menos, aceitando o status de preview.
Alternativas ao MAI-Voice-2.1
MAI-Voice-2.1: perguntas frequentes
- MAI-Voice-2.1 vale a pena?
- MAI-Voice-2.1 é uma voz confiável e barata para equipes no Azure, mas cobre um quarto dos idiomas da ElevenLabs e ainda não tem uma classificação de qualidade independente. Damos nota 4.0 de 5.
- Quanto custa MAI-Voice-2.1?
- MAI-Voice-2.1 US$ 22 por 1M de caracteres; MAI-Voice-2.1-Flash US$ 15 por 1M de caracteres, pelo Azure Speech no Foundry; OpenRouter e Vercel listam a mesma tarifa de US$ 22.
- Quais são as desvantagens de MAI-Voice-2.1?
- Preview pública sem SLA; 23 idiomas, contra 90 do Eleven v4; nenhuma classificação de qualidade independente publicada; os números de velocidade do Flash comparam com rivais não nomeados.
- Para quem MAI-Voice-2.1 é indicado?
- Equipes que já usam o Azure Speech e querem vozes expressivas e multilíngues por menos, aceitando o status de preview.
- Quanto custa MAI-Voice-2.1 para uma equipe ou em produção?
- 1 bilhão de caracteres por mês custa US$ 22.000 no MAI-Voice-2.1 ou US$ 15.000 no Flash, contra US$ 80.000 na tarifa de API do Eleven v4.
- MAI-Voice-2.1 é seguro para dados da empresa?
- Não descrito para esses modelos além dos termos de preview do Azure, que permitem que recursos em preview sigam práticas de privacidade diferentes; a clonagem exige uma declaração de consentimento gravada da pessoa cuja voz é usada.
- Quais são as melhores alternativas ao MAI-Voice-2.1?
- As alternativas mais próximas que analisamos são Eleven v4 and v4 Turbo, Gemini 3.8 Flash TTS e Cartesia Sonic 3.6.
Respostas verificadas em 6 de nov. de 2026.
Você faz o MAI-Voice-2.1? Mostre esta nota no seu site
