A Microsoft hang- és beszédmodelljei megjelentek a Vercel AI Gateway-en

2026. október 1.Forrás: Vercel

A Vercel és a Microsoft AI három hangmodellt tett elérhetővé az AI Gateway-en. A MAI-Voice-2.1 és Flash változata beszédet generál, a MAI-Transcribe-2 Streaming pedig érkező hangból készít folyamatos átiratot.

A lényeg röviden

Három Microsoft AI-modell vált elérhetővé a Vercel AI Gateway-en.
A MAI-Voice-2.1 23 nyelven generál kifejező beszédet.
A Flash változat alacsonyabb késleltetésű hangalapú válaszokra készült.
A MAI-Transcribe-2 Streaming érkező hang közben küld részleges átiratokat.
Az AI Gateway a modelleket platformdíj és következtetési felár nélkül, a feltüntetett díjakon számlázza.

Három Microsoft AI-modell egyetlen felületen

A Vercel 2026. október 1-jei bejelentése szerint a Microsoft AI, röviden MAI modelljei partnerség keretében kerültek be az AI Gateway kínálatába. A szolgáltatás azon korlátozott számú platform egyike, amely hozzáférést ad a MAI modellekhez.

A most támogatott modellek a Microsoft hangtechnológiára épülő megoldásai. A MAI-Voice-2.1 beszédet generál, a MAI-Voice-2.1-Flash ugyanezt alacsonyabb késleltetés mellett kínálja, a MAI-Transcribe-2 Streaming pedig részleges átiratokat küld, miközben az audio továbbra is érkezik.

A Vercel szerint az AI Gateway a modelleket a feltüntetett díjakon számlázza, platformdíj vagy a következtetésre felszámított felár nélkül.

Beszédgenerálás hosszabb tartalmakhoz és gyors válaszokhoz

A MAI-Voice-2.1 23 nyelven képes kifejező beszédet létrehozni, és hosszabb szövegek alatt is következetes marad a beszélő hangja. A Vercel ezt narrációkhoz, hangoskönyvekhez, podcastokhoz és olyan leckékhez ajánlja, amelyeknél a megformálásnak az elejétől a végéig fontos szerepe van.

A MAI-Voice-2.1-Flash szintén többnyelvű beszédgenerálást kínál, de alacsonyabb késleltetésre készült. Ez a változat hangalapú ügynökök, asszisztensek és gyorsan megérkező szóbeli válaszok készítésére használható.

A fejlesztők az AI SDK 7 generateSpeech függvényével hozhatnak létre beszédet. A modell neve, a szöveg, a hang és a kimeneti formátum megadásával például MP3-fájl készíthető. A hosszabb hanganyagokhoz a Vercel a MAI-Voice-2.1 használatát javasolja.

Élő átírás érkező hangból

A MAI-Transcribe-2 Streaming az audio érkezése közben ad vissza részleges átiratokat. Így az alkalmazások élő feliratot jeleníthetnek meg, vagy követhetik a beszélgetést anélkül, hogy meg kellene várniuk a teljes felvétel végét.

A modell a Vercel példája szerint egy hangdarabokból álló adatfolyamot dolgoz fel. A bemenet 16 kHz-es, 16 bites PCM-hang lehet, a fejlesztő pedig az érkező részleges szövegeket folyamatosan megjelenítheti. Mivel ezek az átiratrészletek a további hang beérkezésekor módosulhatnak, az új részlet érkezésekor a megjelenített szöveget cserélni kell.

Adatkezelés és egységes fejlesztői hozzáférés

A Vercel közlése szerint a MAI biztonságra és zéró adatmegőrzésre, vagyis ZDR-re vonatkozó fókusza összhangban van az AI Gateway céljával. A szolgáltatás az ügyfeleknek az adataik feletti kontrollt és átláthatóságot kíván biztosítani azzal kapcsolatban, hogy az adatokat miként használják fel a modellek tanítására.

Az AI Gateway egyetlen API-n keresztül teszi elérhetővé a modellek meghívását, a használat és a költségek követését, valamint a kérések nyomainak megtekintését. A rendszer emellett útválasztást, újrapróbálkozást és átállást is támogat az elérhető szolgáltatók között. A fejlesztők a Vercel MAI-modelloldalán, illetve a beszédgenerálási gyorskezdő útmutatóban találhatnak további információkat.