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.
👁 114 przeczytań
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.
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
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.
- 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.
Cały tydzień w AI, w jednym mailu
Wybrane premiery, narzędzia i analizy. Raz w tygodniu, prosto do skrzynki.
Zapisz się za darmo →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.
Podobne tematy na Promptowym
