Black FridayHiggsfield: do 63% taniej przy planie rocznym - Seedance 2.5, Nano Banana Pro, GPT Image Sprawdź ofertę →link partnerski
Przejdź do treści
Sklep

Artykuły

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.

Tekst: 4 min czytania
MAI-Voice-2.1 po polsku: lektor Microsoftu za 22 USD i transkrypcja
Spis treści 6
  1. Co ogłosił Microsoft
  2. Czy MAI-Voice-2.1 mówi po polsku
  3. Ceny: MAI kontra ElevenLabs i Gemini
  4. Gdzie spróbować i dlaczego nie testowałem
  5. Dla kogo
  6. Źródła

👁 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:

GłosPłećStyle
pl-PL-Harperkobiecyagent, audiobook, infolinia, edukacja, narrator, neutralny
pl-PL-Grantmęskitylko 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.

Zobacz, co jest dostępne

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).

ModelCena za 1 mln znakówCzasPolski
MAI-Voice-2.122 USDok. 550 ms2 głosy
MAI-Voice-2.1-Flash15 USDok. 45 ms2 głosy
Eleven v480 USD (do 12.10 promocja 22 USD)0,95 s do pierwszego dźwiękutak, 1. miejsce w moim teście
Eleven v4 Turbo40 USD (do 12.10 promocja 11 USD)0,25 stak
Gemini 3.1 Flash TTSok. 18,3 USD-tak, 3. miejsce
Gemini 3.8 Flash-Lite TTSok. 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

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.

Piotr Olszewski

Autor

Twórca i autor Promptowego, polskiego serwisu o sztucznej inteligencji. Codziennie śledzi premiery modeli, narzędzia i regulacje AI, i tłumaczy je prostym, konkretnym językiem.

O mnie →Wszystkie teksty →

Czytaj dalej

Narzędzia do tego tematu

darmowe, bez kontaWszystkie 29 →
z sieci - nowe teksty w moich serwisach

Wszystkie moje projekty →

Komentarze 0

Wulgaryzmy, obrażanie i oskarżenia wobec osób lub firm sprawdzam ręcznie przed publikacją. Spam usuwam.

    Nikt jeszcze nie skomentował. Napisz pierwszy komentarz.

    Publikuję imię lub nick i treść komentarza. E-mail i adres IP (usuwany po 30 dniach) służą wyłącznie ochronie przed spamem i nadużyciami. Administrator danych: PROMPTOWY Piotr Olszewski. Szczegóły: polityka prywatności.

    Najczęściej czytane

    7 dni
    1. 1Okładka GTA 6 z własnym zdjęciem w AI: prompt do ChatGPT i Gemini, test na selfie
    2. 2GPT-6.2 Astra vs Claude Fable 5.2 vs Gemini 4 Carbon: benchmarki i mój test na 7 modelach (z Opus 5.5)
    3. 3Jak zrobić grafikę w stylu GTA 6 w AI: prompty, własne zdjęcie i pocztówka. Test na polskich przykładach
    🛒 Sklep Kinetyka CapCut Pro 460 zł/rok Lovable Pro 450 zł/rok Replit Core 119 zł/rok Zobacz wszystko →