MAI Voice 2 Flash API — голосовой агент и цена

Контекст: Не указантокенов
Результат: Синтез речиформат ответа
Стоимость: Тариф уточняетсяусловия — в блоке подключения

ПОДКЛЮЧЕНИЕ

От модели к первому запросу

Используйте идентификатор модели в совместимом API-клиенте. Полные параметры, ключи и ответы с ошибками описаны в документации.

const response = await client.chat.completions.create({
  model: "microsoft/mai-voice-2-flash",
  messages: [{ role: "user", content: "Ваш запрос" }],
});

Открыть инструкцию по подключению →

ПОДРОБНЫЙ ОБЗОР

Возможности модели

Microsoft позиционирует MAI-Voice-2-Flash для low-latency conversational experiences. Для семейства заявлены 15 языков и 18 локалей, SSML-управление эмоцией и gated instant voice cloning при наличии согласия или лицензии. Низкая задержка upstream не равна гарантированному end-to-end времени через Tokenmost и телефонный канал. Preflight `microsoft/mai-voice-2-flash` проверяет text/SSML input, список голосов и локалей, streaming audio, первый пакет, форматы и sample rate, лимит текста, cloning, moderation, usage и цену. Нельзя подменять владельца голоса, обходить consent gate или обещать клонирование до подтверждения маршрута. Агент озвучивает ответы из утверждённой базы. Модель не решает, можно ли вернуть деньги или раскрыть данные; эти решения принимает бизнес-логика, а TTS получает уже проверенный текст.

Разделите диалог и синтез

LLM или сценарный движок готовит короткий ответ, политика проверяет действие, после чего TTS озвучивает текст. Такой конвейер позволяет менять голос без изменения правил поддержки. В аудиозапрос не передавайте скрытые инструкции, ключи и необязательные персональные данные.

Пишите для устного восприятия

Используйте короткие предложения, раскрывайте сокращения и повторяйте критичную сумму один раз. Номер заказа делите на группы. SSML-паузы и эмоции применяйте умеренно после проверки поддержки, иначе разметка может прозвучать буквально или сделать ответ неестественным.

Измерьте полную задержку

Замерьте подготовку текста, очередь Tokenmost, time to first audio, воспроизведение и распознавание перебивания. Пользователь должен остановить фразу. Если ответ не начинается в заданный бюджет, агент сообщает о задержке или переводит разговор, а не оставляет линию в тишине.

Проверьте голос и безопасность

Тестируйте имена, адреса, числа, ударения и переключение языка. Для клонированного голоса храните доказательство согласия и область разрешённого использования. Добавьте явное представление виртуального помощника там, где этого требуют сценарий и правила сервиса.

Считайте стоимость решённого обращения

Учитывайте входной текст, аудиовыход, повторные синтезы, телефонию, ASR и передачу оператору. Сравнивайте цену закрытого обращения, задержку первого звука и долю понятных с первого раза ответов. Тариф Tokenmost подтверждается контрольным запросом.

Вопросы и ответы

Для чего нужна версия Flash?

Для диалоговых сценариев, где задержка важнее максимальной выразительности длинной записи.

Поддерживает ли модель русский язык?

Microsoft публикует список локалей; конкретный русский голос и маршрут следует проверить.

Можно ли клонировать голос?

Только при доступности gated-функции и документированном согласии или лицензии.

Есть ли streaming?

Наличие и формат streaming audio в Tokenmost подтверждаются preflight.

Как считать стоимость агента?

По TTS, ASR, телефонии, повторам и доле обращений, завершённых без оператора.