MAI-Voice-1

什么是 MAI-Voice-1

MAI-Voice-1 是微软 AI（Microsoft AI）的语音生成模型，2025 年 8 月 28 日公布，是 MAI 系列的第一个模型^[1]。微软称它能在单人及多人场景下生成高保真、富有表现力的音频^[1]。微软的多项语音产品都用到了它，从每日资讯播报到播客生成^[1][2]。

这类语音生成要做的不只是把字念对：它得带上语气和节奏，还得在一段很长的文字里保持同一个声音。表达力和一致性这两件事，贯穿了微软对这个模型的几乎全部说明^[1][2]。

速度是主要卖点

公布时最突出的说法是速度。微软用「快如闪电」（lightning-fast）形容它，称在单块 GPU 上不到一秒就能生成一分钟音频^[1]。模型后来进入 Microsoft Foundry 面向开发者时，微软给出的数字相近：大约一秒生成 60 秒音频^[2]。

这样的速度会改变哪些产品做得成。一集播客或一篇朗读文章动辄几分钟长，如果几秒钟就能生成，等待的人会觉得这是即时响应，而不是排队等一个后台任务。

发布时的用途

发布之初，MAI-Voice-1 为 Copilot Daily 和 Copilot Podcasts 提供语音支持，微软同时把它放进 Copilot Labs，让用户体验富有表现力的语音和讲故事演示^[1]。当时列出的演示包括一个可以自选分支的冒险故事，以及一段为睡眠定制的引导冥想^[1]。这两个例子都靠声音撑起体验：分支故事需要几个能听出区别的角色声音，冥想则依赖平稳、安静的讲述。

面向开发者发布

2026 年 4 月 2 日，模型在 Microsoft Foundry 和 MAI Playground 中向开发者开放^[2]。与它一同发布的还有 MAI-Transcribe-1 和 MAI-Image-2 两个模型^[2]。

在 Foundry 中，它支持只用几秒钟音频就创建自定义声音，能在长内容中保持说话人的身份特征，并大约每秒生成 60 秒音频^[2]。微软把它定位为自家顶级的语音生成模型，专门为在长内容中保持说话人身份而构建^[2]。在几分钟的素材里把声音稳住，是更难的那一半：一段短音频听起来可以很逼真，拉长之后却可能在音高、节奏或音色上走样。

Foundry 发布时的价格是每百万字符 22 美元起^[2][3]。

在 MAI 系列中的位置

MAI-Voice-1 是 MAI 系列中最早公布的模型；面向开发者发布之后，微软继续把它用在 Copilot Audio Expressions 和 Copilot Podcasts 中^[1][2]。2026 年 6 月，后续的 MAI-Voice-2 推出，覆盖 15 种语言^[2]。把两次发布放在一起看，这个模型从发布当天在 Copilot 内部的演示，走到一个有定价、支持自定义声音的开发者服务，再走到一个语言覆盖更广的继任者。