A Vercel AI Gateway felületén elérhetők a Microsoft AI modelljei

2026. október 1.Forrás: Vercel

A Vercel és a Microsoft AI együttműködésének köszönhetően három MAI hang- és beszédfeldolgozó modell érhető el az AI Gateway-en. A kínálat beszédgenerálásra, gyors hangalapú válaszokra és élő átírásra használható.

A lényeg röviden

Három MAI modell vált elérhetővé a Vercel AI Gateway-en.
A MAI-Voice-2.1 23 nyelven generál beszédet.
A MAI-Voice-2.1-Flash alacsonyabb késleltetésű hangalapú válaszokra készült.
A MAI-Transcribe-2 Streaming a beérkező hang közben ad részleges átiratokat.
Az AI Gateway a listázott díjakat alkalmazza, platformdíj és inferenciafelár nélkül.

Három Microsoft AI modell került a kínálatba

A Vercel október 1-jei bejelentése szerint az AI Gateway támogatja a Microsoft AI legújabb hangmodelljeit. A szolgáltatás a MAI-Voice-2.1, a MAI-Voice-2.1-Flash és a MAI-Transcribe-2 Streaming modelleket teszi elérhetővé. Az AI Gateway azon korlátozott számú platform egyike, amely hozzáférést kínál a MAI modellekhez.

A MAI-Voice-2.1 beszédet generál 23 nyelven, és hosszabb szövegeknél is következetes beszélőt tart meg. A Vercel példaként narrációkat, hangoskönyveket, podcastokat és oktatási anyagokat említ. A modell olyan felhasználási esetekhez készült, ahol a megszólalás jellege a teljes tartalom során fontos.

A MAI-Voice-2.1-Flash ugyanezt a többnyelvű beszédgenerálást alacsonyabb késleltetéssel kínálja. Ez hangalapú ügynökökhöz, asszisztensekhez és gyorsan megjelenő szóbeli válaszokhoz lehet megfelelő. A MAI-Transcribe-2 Streaming eközben már a beérkező hang közben részleges átiratokat ad vissza, így az alkalmazások élő feliratokat jeleníthetnek meg, vagy követhetik a beszélgetést a teljes felvétel elkészülte előtt.

Egy API-n keresztül hívhatók a modellek

Az AI Gateway használatához a fejlesztők az AI SDK 7 eszközeit vehetik igénybe. A Vercel példája szerint a generateSpeech függvény a microsoft/mai-voice-2.1-flash modellhez kapcsolható, majd a kiválasztott hanggal MP3-formátumú hangfájl készíthető. A bemutatott példa a Microsoft Harper hangját használja, és egy rövid rendelési értesítést alakít beszéddé.

Élő átíráshoz a streamTranscribe használható. A példában a rendszer 16 kHz-es, 16 bites PCM-hangot kap egy adatfolyamon keresztül, majd a transcript-partial eseményekkel adja vissza a részleges eredményeket. Ezek a részletek módosulhatnak, ahogy újabb hang érkezik, ezért a megjelenített szöveget az új részleges átirattal kell frissíteni. A folyamat végén a teljes szöveg is lekérhető.

Az AI Gateway egyetlen API-t biztosít a modellek hívásához, a használat és a költségek követéséhez, valamint a kérések nyomainak megtekintéséhez. A platform emellett útválasztást, újrapróbálkozást és feladatátadást is támogat az elérhető szolgáltatók között.

Adatkezelési szempontok és díjazás

A Vercel szerint a Microsoft AI biztonságra és zéró adatmegőrzésre, vagyis ZDR-re épülő fókusza összhangban áll az AI Gateway céljával. A szolgáltató azt szeretné, hogy a felhasználók ellenőrzést kapjanak adataik felett, és átlátható legyen számukra, hogyan használják fel ezeket a tanításhoz.

Az AI Gateway a modelleket a feltüntetett díjakon számlázza. A Vercel közleménye szerint az inferenciára nem számít fel platformdíjat vagy felárat. A fejlesztők a beszédgeneráláshoz a MAI-Voice-2.1-Flash, hosszabb hanganyagokhoz a MAI-Voice-2.1, élő átíráshoz pedig a MAI-Transcribe-2 Streaming modelloldalát és a kapcsolódó útmutatókat használhatják.

A bejelentés így a fejlesztők számára egy közös hozzáférési réteget kínál a Microsoft AI hangmodelljeihez. Egyetlen felületen követhetik a használatot és a költségeket, miközben hanggeneráló, hangalapú válaszokat adó és valós idejű átírást végző alkalmazásokat építhetnek.