MAI-Voice-2.1

MAI-Voice-2.1 是微软 AI 最高保真度、最具表现力的文本转语音模型。它能以 23 种语言生成自然、录音室级别的语音，具有精细的韵律、细腻的表现力，并在长篇内容中保持说话人一致性。它适用于有声书、播客、讲座、旁白和品牌音频等对音质要求极高的场景。该模型优先考虑自然度和表现力，而非低延迟生成。在 OpenRouter 上，将 voice 设置为带有模型后缀的完整语音 ID，例如 "en-US-Harper:MAI-Voice-2.1"。语音的区域设置决定合成语言。将 response_format 设置为 "mp3" 或 "pcm"（24 kHz 单声道）。Harper 和 Grant 支持 agent、customer-call-center、educational 和 narrator 说话风格，并且许多区域的语音还支持 excited、happy、sad、whispering 等情感风格。完整语音列表位于模型 API 的 supported_voices 字段中。参见文本转语音指南。