MAI-Voice-2.1-Flash

MAI-Voice-2.1-Flash 是微软AI推出的低延迟文本转语音（text-to-speech）模型，针对实时响应进行了优化。它能在23种语言中生成自然、富有表现力的语音，具有类人的语调、节奏和情感细微差别。适用于语音代理、助手、呼叫中心以及其他对延迟和成本最为重要的交互式应用。

在OpenRouter上，将 voice 设置为带模型后缀的完整语音ID，例如 "en-US-Harper:MAI-Voice-2.1-Flash"。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，许多区域语音还添加了情感风格，如 excited、happy、sad 和 whispering。完整语音列表见 models API 的 supported_voices 字段。参见 text-to-speech 指南。