Для MAI-Voice-2.1 Flash используйте Audio Speech API.

О модели

MAI-Voice-2.1 Flash — модель синтеза речи Microsoft AI для задач с низкой задержкой. По данным Microsoft, она оптимизирована для ответа в реальном времени и рассчитана на голосовых агентов, ассистентов, колл-центры и IVR.

Говорит на 23 языках. Microsoft описывает речь как выразительную, с естественными интонацией и ритмом. Для длинных текстов, где важнее точность звука, чем скорость, Microsoft предлагает MAI-Voice-2.1.

Через API DSLab модель принимает текст и возвращает аудио в форматах mp3 и pcm.

Стоимость

Текущая стоимость использования этой модели:

Что оплачивается

Стоимость

Символы

1 500₽ за 1 млн символов

Характеристики

Параметр

Значение

Вход

Текст

Выход

Аудио (речь)

Форматы ответа

mp3, pcm (24 кГц, моно)

Языки

23, по данным Microsoft

Голоса

97

Статус у Microsoft

Публичная предварительная версия

Сравнение с соседними моделями

Модель

Языки

Назначение по данным разработчика

MAI-Voice-2.1

23

Длинные тексты: аудиокниги, подкасты, озвучка

MAI-Voice-2.1 Flash (эта модель)

23

Низкая задержка: голосовые агенты, ассистенты, колл-центры

MiniMax Speech 2.8 HD

40

Ультрареалистичное качество

Qwen Audio 3.0 TTS Plus

16

Профессиональное качество: озвучка видео и фильмов, аудиокниги, голос бренда

Voxtral TTS 3

35+

Более 50 диалектов

Стоимость

Тип

Цена за 1 млн символов

Входной текст

1 500 ₽

API

Эндпоинт

http 
POST https://api.dslab.tech/v1/audio/speech
Синтез речи 
import osfrom pathlib import Pathimport requestsresponse = requests.post(    "https://api.dslab.tech/v1/audio/speech",    headers={"Authorization": f"Bearer {os.environ['DSLAB_API_KEY']}"},    json={        "model": "mai-voice-2.1-flash",        "input": "Здравствуйте! Это пример синтеза речи.",        "voice": "cs-CZ-Grant",        "response_format": "mp3",        "speed": 1.25,    },)response.raise_for_status()Path("speech.mp3").write_bytes(response.content)

Параметры

Параметр

Тип

По умолчанию

Описание

model

string

обязательный

ID модели: mai-voice-2.1-flash.

input

string

обязательный

Текст для озвучивания.

voice

string

—

Голос, например cs-CZ-Grant.

response_format

string

—

Формат аудио: mp3 или pcm (24 кГц, моно).

speed

number

—

Скорость речи, например 1.25.

Важно знать

  • Доступно 97 голосов, например cs-CZ-Grant.

  • Формат pcm отдаётся с частотой 24 кГц, моно. Форматы wav, opus, aac и flac возвращают ошибку 400.

  • Параметр speed принимается, например 1.25.

  • По данным Microsoft, публичная предварительная версия предоставляется без соглашения об уровне обслуживания.