Microsoft 发布 MAI-Voice-2 语音合成模型，支持 15 种语言与零样本声音克隆

今天我们推出 MAI-Voice-2——这是我们迄今为止构建的最具表现力、最自然的文本转语音模型。它在对生产级语音体验至关重要的各个维度上都较前代实现了重大飞跃：保真度、语言覆盖、说话人一致性和情感范围。它专为语音质量直接影响用户体验的产品和服务而打造：代表你品牌的助手或客户支持、能让人连续数小时保持专注的有声书，以及语音作为唯一界面的无障碍体验。它在构建时也考虑到了负责任部署，通过同意护栏确保这项技术如其声音一样值得信赖。MAI-Voice-2 现已在 Microsoft Foundry 中提供，并正在集成到 VSCode 和 Dynamics 365 Contact Center 中。

功能与能力

从仅支持英语扩展到 15 种语言，同时保持与英语相同的自然度和表现力。
通过情感标签实现细粒度情感控制：悲伤、耳语、兴奋等。
使用 5-60 秒参考音频进行零样本语音提示，适用于所有支持的语言，并内置同意护栏。
MAI-Voice-2 在 72% 的情况下比其前代 MAI-Voice-1 更受青睐。
在长篇内容——有声书、播客、讲座——中保持稳定的说话人身份。
针对部分语言对——如印地语-英语和西班牙语-英语——的语码转换能力，匹配用户在日常对话中自然混用语言的方式。

亲自听听：

英语（情感：尴尬）

德语（情感：困惑）

印地语（情感：兴奋）

英语（角色：励志培训师）

英语（角色：体育解说员）

一切在此一举，白鹭出手了！缓缓穿过浅滩……观察……等待……突然一击！抓到了！长喙的精准度令人难以置信！那条鱼完全没反应过来。多么精彩的一幕！压力之下依然沉着冷静。今晚池塘里的一场大师级表演。

性能

MAI-Voice-2 以可控的方式生成非常自然的语音。在并排偏好测试中，它在 72% 的情况下比其前代更受青睐。在说话人相似度评估中，MAI-Voice-2 生成的语音与同一声音的录音无法区分。下面，你可以亲自验证这一点，试着辨别人类语音在哪里结束、MAI-Voice-2 的输出从哪里开始。

猜猜人类录音 vs. MAI‑Voice‑2

聆听下面的音频片段——每个片段都将人类录音与 MAI‑Voice‑2 生成的语音混合在一起。你能分辨出人类声音在哪里结束、合成声音从哪里开始，或者反过来吗？还是听起来像是一个连续的声音？

人类录音 + TTS

语言：英语（美国）

人类录音 + TTS

语言：印地语（印度）

人类录音 + TTS

语言：西班牙语（墨西哥）

TTS + 人类录音

语言：法语（法国）

人类录音 + TTS

语言：德语（德国）

支持的语言

我们优先考虑在 15 种语言中实现深度，确保对支持的语言提供一系列表现力能力，涵盖声调语言、音高重音语言、重音计时语言和音节计时语言系统。我们计划继续扩展和完善所有支持语言的表现力范围。

MAI-Voice-2 现在支持以下语言/地区：英语（美国）、英语（澳大利亚）、意大利语、法语、德语、印地语、西班牙语（西班牙）、西班牙语（墨西哥）、葡萄牙语（巴西）、葡萄牙语（葡萄牙）、韩语、中文（简体）、土耳其语、俄语、泰语、荷兰语、罗马尼亚语和匈牙利语。

在人们自然混用语言的市场，我们支持语码转换——尤其是印地语–英语和西班牙语–英语——以反映人们真实的说话方式。在内部测试中，该模型能在句子中间流畅地切换语言，既不损失韵律自然度，也不丢失说话人身份。

印地语 + 英语

西班牙语（墨西哥）+ 英语

语音合成

开发者可以在 Microsoft Foundry 中，仅使用一小段参考音频，在所有支持的语言中创建自定义语音——无需重新训练或微调。只需几秒钟的音频（建议：5–60 秒），MAI Voice 2 就能生成与说话人身份匹配的高质量语音，使企业能够轻松将自有品牌声音引入产品，而无需维护单独的语音模型。

同意与安全

同意在系统层面强制执行：只有经过授权、获得许可的语音才能在生产环境中合成。无法进行未经许可的语音克隆。如需获取此功能的访问权限，请在此处申请。

用例

助手：为 Copilot、应用、设备和客户支持提供品牌语音。
娱乐：为游戏、播客、有声书、AR/VR 提供角色配音。
无障碍：为视障用户提供旁白；为言语障碍者提供语音。
教育：为课程和模拟提供讲师和角色配音。
创作者：用自己的声音将文本转为音频。无需录音棚。