MAI-Voice-2.1 po polsku: lektor Microsoftu za 22 USD i transkrypcja
Nowy lektor AI Microsoftu obsługuje polski i jest tańszy od Eleven v4. Ile kosztuje, jakie ma polskie głosy i co daje transkrypcja na żywo.

Spis treści 6
👁 171 przeczytań
Aktualizacja 17.11.2026: jest już MAI Image 2.7 - nr 1 w edycji obrazów według Artificial Analysis. Mój test i wszystkie modele MAI.
Microsoft wypuścił 1 października 2026 trzy modele głosowe: MAI-Voice-2.1 i MAI-Voice-2.1-Flash (zamiana tekstu na mowę) oraz MAI-Transcribe-2-Streaming (transkrypcja na żywo). Wszystkie trzy obsługują polski. Lektor kosztuje 22 USD za milion znaków, a wersja Flash 15 USD - mniej niż Eleven v4 w cenie regularnej. Polski ma jednak tylko dwa głosy i nie obsługuje emocji.
Stan na 8 października 2026
- Premiera: 1 października 2026, Microsoft AI (zespół Mustafy Suleymana).
- MAI-Voice-2.1: 22 USD za 1 mln znaków, ok. 550 ms na wygenerowanie.
- MAI-Voice-2.1-Flash: 15 USD za 1 mln znaków, ok. 45 ms.
- MAI-Transcribe-2-Streaming: 0,54 USD za godzinę nagrania (cena startowa do końca 2026).
- Po polsku: tak - 2 głosy lektora (pl-PL-Harper, pl-PL-Grant), transkrypcja w 60 językach, w tym polskim.
- Status: publiczny podgląd w Microsoft Foundry, bez SLA - Microsoft nie poleca go do produkcji.
Co ogłosił Microsoft
To kolejne modele z własnej linii MAI, którą Microsoft buduje niezależnie od OpenAI (wcześniej był m.in. MAI-Image 2.6). Trzy modele mają razem tworzyć asystenta głosowego: jeden słucha, drugi mówi.
- MAI-Voice-2.1 - lektor do dłuższych form: audiobooki, podcasty, lekcje. 23 języki w 26 wariantach, stabilny głos w długich nagraniach, sterowanie emocjami przez SSML.
- MAI-Voice-2.1-Flash - te same 23 języki, ale nastawiony na szybkość: asystenci, infolinie, IVR.
- MAI-Transcribe-2-Streaming - transkrypcja w czasie rzeczywistym w 60 językach z automatycznym wykrywaniem języka. Pierwsze wstępne słowa po nieco ponad 100 ms, gotowy tekst 0,13 s po końcu wypowiedzi, 2,5% błędnych słów (WER) według Microsoftu. Firma podaje, że to pierwsze miejsce w dokładności w zestawieniu Artificial Analysis.
- Klonowanie głosu z 5-60 sekund nagrania - tylko po zatwierdzeniu wniosku (dostęp ograniczony) i ze zgodą nagranej osoby.
Czy MAI-Voice-2.1 mówi po polsku
Tak, polski jest na liście 23 języków. Sprawdziłem w dokumentacji Microsoft Learn, jakie głosy są dostępne:
| Głos | Płeć | Style |
|---|---|---|
pl-PL-Harper | kobiecy | agent, audiobook, infolinia, edukacja, narrator, neutralny |
pl-PL-Grant | męski | tylko neutralny |
Dla porównania: angielski (USA) ma 7 głosów, a część z nich obsługuje 19 emocji, od szeptu po krzyk. Po polsku tych emocji nie ma - Harper ma style „zawodowe”, Grant tylko jeden. Do audiobooka czy lektora w filmie wystarczy, do dubbingu z emocjami nie. Starszy MAI-Voice-2 obsługiwał 15 języków, więc przy integracji warto pilnować, żeby wybrać wersję 2.1.
Nie przepłacaj za te subskrypcje
Prowadzę sklep z rocznymi dostępami do narzędzi AI - te same konta, o których piszę wyżej, tylko taniej niż w cenniku producenta.
Ceny: MAI kontra ElevenLabs i Gemini
Ceny za milion znaków tekstu, w dolarach. Dane ElevenLabs i Gemini z mojego testu najlepszego lektora AI po polsku (cenniki z końca września 2026).
| Model | Cena za 1 mln znaków | Czas | Polski |
|---|---|---|---|
| MAI-Voice-2.1 | 22 USD | ok. 550 ms | 2 głosy |
| MAI-Voice-2.1-Flash | 15 USD | ok. 45 ms | 2 głosy |
| Eleven v4 | 80 USD (do 12.10 promocja 22 USD) | 0,95 s do pierwszego dźwięku | tak, 1. miejsce w moim teście |
| Eleven v4 Turbo | 40 USD (do 12.10 promocja 11 USD) | 0,25 s | tak |
| Gemini 3.1 Flash TTS | ok. 18,3 USD | - | tak, 3. miejsce |
| Gemini 3.8 Flash-Lite TTS | ok. 11 USD | - | tak |
Czasy MAI to deklaracje Microsoftu (sam czas modelu), czasy ElevenLabs to mój pomiar do pierwszego dźwięku - nie porównuj ich jeden do jednego. Ceny Gemini to moje przeliczenie z cennika za tokeny.
Wniosek z tabeli: MAI-Voice-2.1-Flash jest w cenie Gemini, a pełny MAI-Voice-2.1 kosztuje jak Eleven v4 w obecnej promocji. Po 12 października Eleven v4 wraca do 80 USD i wtedy MAI wychodzi prawie 4 razy taniej. Pytanie, czy brzmi po polsku równie dobrze - tego jeszcze nie sprawdziłem.
Transkrypcja: 0,54 USD za godzinę to sporo. ElevenLabs Scribe w API kosztuje 0,22 USD za godzinę nagrania, a według DataNorth Deepgram i ElevenLabs w trybie na żywo są ok. 38% tańsze od MAI. Wariant bez trybu na żywo, MAI-Transcribe-2, kosztuje 0,10 USD za godzinę.
Gdzie spróbować i dlaczego nie testowałem
- Microsoft Foundry (Azure Speech) - wymaga subskrypcji Azure i zasobu Speech. Modele są serwowane m.in. z West Europe, North Europe, France Central i Sweden Central.
- MAI Playground na stronie Microsoft AI i Copilot (funkcja Audio Expressions).
- OpenRouter i Vercel AI Gateway - według DataNorth także tam, płatnie.
Na tę chwilę nie znalazłem darmowego dostępu bez konta, a nie zakładałem nowego konta Azure tylko do testu - dlatego w tym tekście nie ma próbek dźwięku. Gdy dołożę MAI-Voice-2.1 do mojego testu lektorów (te same zdania z liczbami, skrótami i trudnymi nazwami), wynik pojawi się w rankingu najlepszy lektor AI.
Dla kogo
- Tak: firmy na Azure, które budują infolinię lub asystenta głosowego po polsku - jeden dostawca, słuchanie i mówienie w jednym API.
- Do sprawdzenia: audiobooki i lektor po polsku - tanio, ale tylko 2 głosy i jeden z nich bez stylów.
- Nie (na razie): produkcja - to podgląd bez gwarancji dostępności. Do dubbingu z emocjami zostaje ElevenLabs.
Źródła
- Microsoft AI: MAI-Voice-2.1 - ceny, czasy, języki
- Microsoft Learn: MAI-Voice-2.1 i Flash - głosy, style, regiony, status podglądu
- Microsoft AI: karta modelu MAI-Transcribe-2-Streaming
- Microsoft AI na X: ogłoszenie 3 modeli
- DataNorth: MAI-Transcribe-2-Streaming - porównanie cen
Sprawdziłem 8 października 2026.
Link do ElevenLabs jest partnerski: jeśli kupisz przez niego, serwis dostaje prowizję, a Ty płacisz tyle samo. Nie wpływa to na treść, także tam, gdzie piszę krytycznie.

Autor
Twórca i autor Promptowego, polskiego serwisu o sztucznej inteligencji. Codziennie śledzi premiery modeli, narzędzia i regulacje AI, i tłumaczy je prostym, konkretnym językiem.
Czytaj dalej
Premium · OpenAI chce własnego chipa. Niezależność od Nvidii może prowadzić przez MicrosoftOpenAI dąży do stworzenia własnego chipa, aby uniezależnić się od Nvidii. Niezależność ta jest kluczowa dla kontroli nad zasobami AI.
Premium · Microsoft i OpenAI przepisują sojusz. Koniec klauzuli AGI to nie rozwód, tylko nowy układ siłNajważniejsza umowa w świecie sztucznej inteligencji została poluzowana. OpenAI może mocniej wychodzić poza Azure, a Microsoft nadal zachowuje dostęp...
Newsy · Przegląd AI: 7 sierpnia 2026Skrót najważniejszych wydarzeń w świecie AI z ostatniej doby - 7 newsów w jednym miejscu.- przelomowy.plTransformer w AI: jak mechanizm uwagi z 2017 roku zastąpił sieci rekurencyjne
- dobieracz.plDarmowe AI do PDF - ChatPDF, iLovePDF, LlamaParse, Humata, Immersive Translate i Reverso
- generatornia.plBlack Friday 2026 na narzędzia AI: ceny z cenników, z którymi porównasz rabat
- dygot.plChatGPT zmienia ekran. Nowa aplikacja spycha czat na drugi plan
Komentarze 0
Wulgaryzmy, obrażanie i oskarżenia wobec osób lub firm sprawdzam ręcznie przed publikacją. Spam usuwam.
Nikt jeszcze nie skomentował. Napisz pierwszy komentarz.



