MAI-Voice-2: как использовать новую голосовую модель Microsoft

MAI-Voice-2 -- модель синтеза речи (TTS, text-to-speech) от Microsoft, анонсированная на конференции Build 2026 в начале июня 2026 года. Она входит в серию MAI-моделей наряду с MAI-Image-2.5 для генерации изображений и MAI-Transcribe-1.5 для транскрипции. Если MAI-Transcribe превращает речь в текст, то MAI-Voice-2 делает обратное: берёт текст и произносит его живым, естественным голосом. Это не обновление старого Azure Speech TTS -- это переосмысление подхода на основе новой архитектуры Microsoft.

Главное достижение модели -- качество голоса, сравнимое с живой речью. В независимом тесте Speaker Similarity Test, проведённом на 11 языках, 45,5% слушателей предпочли сгенерированный MAI-Voice-2 звук реальным голосовым записям. Это значит: почти каждый второй человек в тесте не смог уверенно сказать, говорит ли с ним живой человек или синтетический голос. Для команд, создающих голосовые продукты, это важный практический порог -- синтез речи наконец звучит так, что его можно использовать в коммерческих продуктах без извинений за «роботизированность».

MAI-Voice-2 поддерживает 17 языков и локалей, в том числе русский. Модель умеет переключаться между языками в рамках одной фразы -- так называемый code-switching -- сохраняя просодику и идентичность говорящего. Это значит, что фраза «Наша платформа запускается, and it will be available globally» произносится без акцентных разрывов. Для международных продуктов, где один диктор говорит на двух языках, это критически важная возможность.

Для кого создана MAI-Voice-2? Прежде всего для разработчиков, встраивающих голосовые интерфейсы в приложения: IVR-системы, голосовые ассистенты, обзвон клиентов. Для команд, создающих аудиокниги, подкасты и e-learning контент: теперь не нужно перезаписывать весь материал при обновлении текста -- достаточно повторно синтезировать изменённые фрагменты. Для accessibility-решений: высококачественный синтез делает цифровой контент доступным для людей с нарушениями зрения. Для контент-мейкеров, которые хотят клонировать собственный голос для масштабируемого производства.

Важный контекст: Microsoft уже имела собственный TTS через Azure Cognitive Services, с нейронными голосами типа ru-RU-SvetlanaNeural. MAI-Voice-2 -- это принципиально новый уровень. Модель обучалась на более качественных данных, значительно лучше обрабатывает просодику на длинных текстах и обладает встроенным механизмом клонирования голоса -- которого у предыдущего поколения не было вовсе. Доступна через Azure AI Foundry как единый API в рамках одного каталога с другими MAI-моделями.

MAI-Voice-2 доступна через несколько каналов в экосистеме Microsoft. Выберите тот, который соответствует вашему сценарию: разработчику больше подойдёт Azure Foundry с прямым API, а non-developer -- интеграция через Copilot Studio или готовые Microsoft-продукты с встроенным TTS.

Через Azure AI Foundry -- основной способ для разработчиков. Перейдите на ai.azure.com. Если у вас нет аккаунта Azure, зарегистрируйтесь на azure.microsoft.com через email или существующий аккаунт Microsoft. После активации откройте Foundry, найдите MAI-Voice-2 в каталоге моделей и нажмите «Deploy». Развёртывание занимает несколько минут -- после этого вы получите endpoint и API-ключ. Первые 5000 символов синтеза в месяц входят в бесплатный уровень Azure, что достаточно для базового тестирования.

Через Microsoft Copilot Studio -- самый простой путь для non-developers. Если вы создаёте голосового ассистента на платформе Copilot Studio, MAI-Voice-2 доступна как встроенный голосовой движок без отдельного подключения и настройки API. В параметрах ассистента достаточно выбрать «MAI-Voice-2» в разделе Speech Synthesis. Это оптимальный вариант для команд, которые хотят использовать качественный синтез речи, не нанимая разработчика.

Через VSCode -- для разработчиков, которые хотят проверять TTS прямо в редакторе. Установите расширение «Azure AI Speech» из маркетплейса VSCode, войдите в свой Azure-аккаунт и используйте команду «Preview with MAI-Voice-2» для прослушивания текстов без написания отдельного кода. Удобно для контент-команд, работающих в markdown или HTML и желающих быстро проверять аудио-версию материала.

Через Dynamics 365 Contact Center -- для enterprise. Если ваша организация использует Microsoft Dynamics 365 для работы с клиентами, MAI-Voice-2 уже встроена в голосовой модуль. Администратор переключает голосовой движок IVR-системы на MAI-Voice-2 в настройках голосового канала без дополнительных интеграций. Это снижает стоимость перехода на новый синтез речи для крупных корпораций, которые уже работают в экосистеме Microsoft.

Если вы хотите протестировать MAI-Voice-2 без написания кода, откройте демо на microsoft.ai/models/mai-voice-2. Вставьте любой текст на русском или другом поддерживаемом языке, выберите голос и нажмите «Preview». Синтез готов за несколько секунд. Это быстрый способ получить первое впечатление о качестве до любой технической интеграции.

Тест первый: сравнение с предыдущим TTS. Вставьте один и тот же текст из трёх-четырёх предложений в MAI-Voice-2 и в стандартный нейронный голос Azure (например, ru-RU-SvetlanaNeural). Прослушайте оба результата и обратите внимание на разницу в просодике: паузы, ударения, смена высоты тона на границах предложений. На длинных текстах разница обычно более заметна, чем на коротких фразах.

Тест второй: code-switching. Вставьте текст, где русский и английский чередуются: «Наша команда запускает новый продукт, и мы уверены, что it will be a game changer для рынка». Выберите русский голос и нажмите Preview. Оцените, насколько органично звучит переход между языками: идеально -- без заметных пауз, без смены тембра и без интонационных «заиканий» на границе языков.

Тест третий: клонирование голоса. Если у вас есть 5-60 секунд чистой записи вашего голоса без фонового шума и музыки, загрузите её в секцию Voice Cloning на странице модели. MAI-Voice-2 создаст персональный голосовой профиль. Введите любой новый текст и прослушайте результат с вашим клонированным голосом. Это ключевая возможность для создания бренд-голоса: записать один раз и масштабировать синтез без повторных студийных сессий.

Тест четвёртый: длинный нарратив. Вставьте 4-5 абзацев связного текста и прослушайте результат целиком. Обратите внимание на то, как модель обрабатывает паузы между абзацами, ударения на ключевых словах и сохранение темпа на протяжении всего монолога. Именно на длинных текстах TTS-системы обычно деградируют -- монотонность, сбои темпа. Оцените, насколько MAI-Voice-2 сохраняет качество от начала до конца.

Качество голоса на уровне живой речи. Согласно тесту Speaker Similarity Test на 11 языках, 45,5% слушателей предпочли голос MAI-Voice-2 реальным записям -- это новый ориентир для TTS. Модель особенно хорошо справляется с длинными текстами: не теряет темп к середине монолога, правильно расставляет логические ударения, органично меняет интонацию на вопросительных и восклицательных конструкциях.

Клонирование голоса за 5-60 секунд. Загрузите короткую чистую запись -- MAI-Voice-2 создаёт персональный голос, сохраняющий тембр, акцент и просодические паттерны говорящего. Это работает как для создания фирменного бренд-голоса компании, так и для персональных проектов авторов контента. Система построена с принципом обязательного согласия: в продакшен-среде синтезировать можно только авторизованные голоса -- несанкционированное клонирование заблокировано на уровне платформы.

17 языков с плавным code-switching. Поддерживаются русский, английский (США и Австралия), французский, немецкий, испанский (Испания и Мексика), итальянский, португальский (Бразилия и Португалия), хинди, корейский, китайский упрощённый, турецкий, тайский, нидерландский, румынский и венгерский. Переключение между языками внутри одной фразы сохраняет просодику и идентичность говорящего -- без характерных «склеек» между языками.

Глубокая интеграция в экосистему Microsoft. Azure AI Foundry, VSCode, Dynamics 365 Contact Center -- MAI-Voice-2 доступна там, где уже работают команды Microsoft, без необходимости строить отдельную инфраструктуру. Для enterprise-клиентов это снижает операционные затраты по сравнению с добавлением стороннего TTS-провайдера к существующему Microsoft-стеку.

Управление через SSML и эмоциональный диапазон. Разработчики используют стандартный Speech Synthesis Markup Language (SSML) для точного контроля темпа, пауз, ударений, высоты тона и эмоционального окраса. MAI-Voice-2 поддерживает нейтральный, дружественный, профессиональный и вопросительный тоны, что позволяет создавать озвучку, которая не звучит монотонно на протяжении долгого контента.

MAI-Voice-2 тарифицируется через Azure AI Foundry на основе объёма синтеза. Актуальные цены всегда на azure.microsoft.com/pricing или в Azure Pricing Calculator. Ниже приведены условия на момент написания этого гайда -- проверяйте актуальные данные перед запуском проекта.

Бесплатный уровень Azure включает ограниченное число символов синтеза в месяц. Этого достаточно для тестирования, создания прототипов и небольших проектов. Бесплатный аккаунт Azure можно активировать через azure.microsoft.com/free с подтверждением через телефонный номер и карту для верификации (средства с карты не списываются до перехода на платный план).

Платный тариф рассчитывается по числу символов или минут готового аудио. Стандартный синтез (без клонирования) стоит дешевле персонализированных голосов. Клонирование тарифицируется отдельно: создание голосовой модели плюс последующий синтез с ней. Используйте Azure Pricing Calculator для расчёта точной стоимости под ваш объём задач -- это бесплатный инструмент на сайте Microsoft.

Для enterprise-клиентов Microsoft Dynamics 365 MAI-Voice-2 может быть включена в существующие лицензии без дополнительной оплаты в рамках определённых корпоративных соглашений. Уточняйте актуальные условия у менеджера по работе с клиентами Microsoft или у авторизованного CSP-партнёра в вашем регионе.

Ограничения модели. MAI-Voice-2 -- только синтез речи; для транскрипции нужен отдельный инструмент MAI-Transcribe-1.5 или Azure Speech Services. Клонирование голоса требует чистой записи без фонового шума. Функция клонирования доступна не во всех регионах Azure -- проверяйте доступность для вашего региона в документации. Эмоциональный диапазон ограничен нейтральным и дружественным спектром: крайние эмоции вроде восторга или гнева могут звучать неестественно.

MAI-Voice-2 доступна через Azure AI Foundry -- облачный корпоративный сервис Microsoft, а не потребительское приложение. Доступ к azure.microsoft.com и ai.azure.com из России на момент написания не ограничен: российские IP-адреса принимаются без блокировок. VPN для базового доступа к документации, демо и API не требуется.

Для создания аккаунта Azure нужны email и платёжная информация для верификации. Azure принимает международные карты; российские карты Visa и Mastercard в ряде случаев могут не приниматься из-за санкционных ограничений, действующих с 2022 года. Рабочие варианты для россиян: карты казахстанских, армянских или грузинских банков, PayPal с иностранным аккаунтом, или оформление через авторизованного Azure CSP-партнёра в России, который принимает оплату в рублях.

Если вы работаете через корпоративный Azure-аккаунт, оформленный через российский офис Microsoft или авторизованного CSP-партнёра, доступ к MAI-Voice-2 будет доступен в рамках существующего корпоративного соглашения. Уточняйте условия и статус санкционных ограничений у вашего менеджера Microsoft: ситуация с корпоративными лицензиями обновляется.

Для интеграции через VSCode или Dynamics 365 VPN обычно не нужен: эти продукты работают напрямую через инфраструктуру Microsoft, доступную из России. Если в вашей организации настроен корпоративный файрволл, убедитесь, что домены microsoft.ai и ai.azure.com внесены в белый список, иначе соединение может блокироваться политиками безопасности вашей сети.

Этот материал подготовлен командой AI-агентов AravanaAI и проверен главным редактором.