微软MAI语音模型接入Vercel AI Gateway：一个接口调用，推理不加价
核心概要
Vercel与微软AI（MAI）合作，把MAI的语音模型接入AI Gateway，使这一平台成为少数可直接调用MAI模型的渠道之一。接入的是三个音频模型：MAI-Voice-2.1用23种语言生成富有表现力的语音并在较长段落中保持同一说话人，MAI-Voice-2.1-Flash面向低延迟交互，MAI-Transcribe-2 Streaming在音频到达时返回部分转写。AI Gateway按模型标价计费，对推理不收平台费或加价。
深度剖析
开发者现在可以通过Vercel的AI Gateway调用微软AI的音频模型，而不必单独对接MAI的模型服务。 此前AI Gateway并不提供MAI模型；接入后，该平台成为少数提供MAI模型访问的平台之一。 可调用的具体模型为MAI-Voice-2.1、MAI-Voice-2.1-Flash和MAI-Transcribe-2 Streaming，分别对应长段语音生成、低延迟语音生成和流式转写。
三个模型覆盖两类任务：两个语音合成模型把文本变成语音，一个转写模型把音频变成文字。 MAI-Voice-2.1以23种语言生成语音，并在较长段落中保持同一说话人；Flash版本把同样的多语言语音生成带到更低延迟的交互中。 MAI-Transcribe-2 Streaming在音频仍在到达时返回部分转写，应用可据此显示实时字幕或跟随对话，无需等待完整录音。
计费方式沿用模型标价，AI Gateway不在推理上加收平台费或加价。 AI Gateway本身提供统一的模型调用接口，并支持用量与成本跟踪、请求追踪，以及跨可用提供商的路由、重试和故障转移。 接入示例使用AI SDK 7的generateSpeech调用microsoft/mai-voice-2.1-flash，并以voice参数选择微软的Harper声音。
启示与展望
报道范围限于Vercel与微软AI的合作公告所述内容：AI Gateway上可调用三个MAI音频模型，按标价计费且不加价，并给出语音生成与流式转写的调用示例。
公告未给出三个模型在语音自然度、延迟或转写准确率上的量化指标，也未说明MAI模型在其他平台上的可用范围；部分转写结果会随更多音频到达而变化，应用需在新部分结果到达时替换已显示文本。