A Microsoft detalha os modelos de texto para fala MAI-Voice-2.1 e MAI-Voice-2.1-Flash, voltados a conversas por voz. Segundo a empresa, os dois buscam equilibrar velocidade e qualidade, melhorando tanto a compreensão da fala em tempo real quanto a geração de respostas mais naturais.
A novidade citada pela Microsoft é a correspondência instantânea de voz, que permite reproduzir um locutor a partir de poucos segundos de áudio de referência. A empresa mostra exemplos variados para demonstrar o recurso, incluindo uma leitura em tom shakespeariano, uma narração esportiva, uma fala de meditação guiada e uma persona de pirata.
A Microsoft também diz que o MAI-Voice-2.1 entrega geração expressiva em tempo real e em textos longos, com saída estável e baixa latência. Já o MAI-Voice-2.1-Flash é apresentado como a opção mais rápida, pensada para reduzir a sensação de espera antes da resposta.
Entre os usos sugeridos estão centrais de atendimento e suporte ao cliente, onde a rapidez e o ajuste quando alguém interrompe a fala podem tornar a interação mais natural. A empresa não informa, no material, datas de disponibilidade nem detalhes de integração.