AREX Feed Article
OpenRouter 上线微软 AI 的 MAI-Voice-2.1 与 MAI-Voice-2.1-Flash，定价分别为每百万字符 22 美元和 15 美元
北京时间 10 月 2 日凌晨，OpenRouter 连发两条帖文宣布，微软 AI 的文本转语音模型 MAI-Voice-2.1 与 MAI-Voice-2.1-Flash 已在该平台上线（、）。两款模型分别定价每百万字符 22 美元和 15 美元，一个侧重保真度，一个侧重低延迟。
按帖文口径，MAI-Voice-2.1 是 MAI 迄今「保真度最高、表现力最强」的文本转语音模型，面向有声书、播客、旁白和品牌音频；Flash 为速度和规模优化，面向语音 agent（智能体）、助手和呼叫中心等实时场景。两者的共同点是：同一个音色能讲 23 种语言，并保持母语口音。
两条帖文，两种定位
两条帖文的链接分别指向 OpenRouter 上两款模型的页面（、），页面对产品的描述更细。
MAI-Voice-2.1 的核心描述是「录音室级、自然的语音」：模型页称它具备细致的韵律、细腻的表现力，以及长内容生成中的说话人一致性；适用场景是有声书、播客、讲座、旁白和品牌音频。
Flash 的定位则是速度与规模：OpenRouter 称其语音自然、富有表现力，语调接近人类；适用场景是语音 agent、助手、呼叫中心等交互应用，模型页把这类场合概括为「延迟与成本最重要的地方」。
速度上的三个数字
OpenRouter 帖文对 Flash 的表述是「可在 150 毫秒内生成 45 秒音频」。微软 AI 自己的模型页（）给出的是另一组数字：Flash 的模型推理延迟约 45 毫秒，MAI-Voice-2.1 约 550 毫秒，两项都标注为「模型推理」。
OpenRouter 的模型页则说明了 MAI-Voice-2.1 的取向：它「把自然度和表现力置于对延迟敏感的生成之上」。
跨语言的音色与口音
两款模型共用一份语言清单。微软模型页标注 23 种语言，清单里包含简体中文、韩语、印地语、泰语、越南语、印尼语等；英语分美国、澳大利亚、英国、印度四个地区版本，西班牙语、葡萄牙语也各有多个地区版本。
按 OpenRouter 帖文的说法，同一个音色能讲这 23 种语言，并保持母语口音。微软在 中的表述是，模型在不同语言间保持一致的音色身份，「会针对语言调整发音和表达，而不是在每次回复中都带着同一种口音」。博客举的例子是，一个辅导应用可以从英语讲解切换到普通话练习，听起来不会像换了位老师。
在 OpenRouter 上怎么调用
调用细节在两个模型页上写得很具体：音色用带模型后缀的完整 ID 指定，例如「en-US-Harper:MAI-Voice-2.1」；音色所属地区决定合成语言。
两款模型都标注提供 97 个音色。其中 Harper 和 Grant 支持 agent、客户呼叫中心、教学和旁白等说话风格；许多地区音色还带 excited（兴奋）、happy（开心）、sad（悲伤）、whispering（耳语）等情绪风格。输出格式可选 mp3 或 pcm（24 kHz 单声道）。微软模型页还标注两款模型都支持「细粒度情绪控制」和「零样本声音提示」。
接口方面，OpenRouter 称其 API 与 OpenAI 接口规范兼容，多数 SDK 只需替换 base URL（接口基地址），切换模型时改的只是模型标识（slug）。
微软的分发路线：不止 OpenRouter
OpenRouter 是这两款模型的分发渠道之一。10 月 1 日，微软在 Foundry 博客中介绍了三个新的 MAI 模型，除 MAI-Voice-2.1 与 MAI-Voice-2.1-Flash 外还有实时转写模型 MAI-Transcribe-2-Streaming。
博客称，这些模型可在 Microsoft Foundry 中通过 Azure Speech 使用，也能经 Foundry 的 API 直接调用；微软把 OpenRouter、Vercel、LiveKit 列为这批模型的其它分发平台。博客还给出 Flash 的竞品对照：在给出的对比中，它比同类竞品快 55%、便宜 60%，脚注把对比来源标为 ElevenLabs 的模型文档。
两款模型在微软 Foundry 与 OpenRouter 上的标价一致。OpenRouter 的 MAI-Voice-2.1 模型页与 显示，两款模型的上游都是 Azure，请求被直接转发、没有路由决策。