Microsoft AI: MAI-Voice-2.1

MAI-Voice-2.1 je model převodu textu na řeč řízený zadáním od Microsoft AI pro práci, při níž záleží na expresivním přednesu a zvukové věrnosti. Jeho modelová karta zahrnuje dvacet tři jazyků a dvacet šest místních variant, s přirozenou intonací, rytmem a emočními odstíny. Výrobce označuje za hlavní použití audioknihy, mediální vyprávění, tvorbu obsahu a komentáře. Tato verze zdůrazňuje delší expresivní obsah; MAI-Voice-2.1-Flash je samostatnou volbou navrženou pro interakce citlivé na latenci.

Vyprávění s konzistentním mluvčím

Modelová karta dokumentuje jednu identitu hlasu konzistentně podanou napříč podporovanými jazyky. Generování delšího obsahu používá dělení na části a přenos kontextu pro lepší návaznost mezi pasážemi. To se hodí pro lekci, kapitolu audioknihy nebo sled souvisejících částí komentáře, které mají zachovat charakter vypravěče. Připravte souvislé pasáže s jasnými hranicemi a v celém díle zachovejte stejného mluvčího.

Vstupem je konečný text s volitelnou referencí mluvčího a výrazovými ovládacími prvky SSML. Zadání vyprávění má odlišovat to, co posluchač slyší, od produkčních poznámek. U technického vysvětlení napište jasný úvod, potom skutečné kroky a závěrečný pokyn. Názvy produktů a opakované termíny zapisujte jednotně. Pro lokalizované vyprávění připravte scénář v cílovém jazyce; vybraný jazyk a hlas řídí jeho mluvené podání.

Mluvčí, role a ovládání výrazu

Microsoft poskytuje kurátorovanou knihovnu hlasů a dokumentuje více mluvčích pro dialog. Harper a Grant jsou příklady identit mluvčích se záznamy pro několik místních variant. Vzdělávací rozhovor dvou osob může přiřadit otázku a vysvětlení odlišným hlasům a zachovat toto přiřazení, když se role vrátí. Mluvené repliky jasně označte, aby byl požadovaný rozhovor zastoupen ve vstupu syntézy.

Tón a přednes lze prostřednictvím SSML utvářet na úrovni repliky nebo věty. Styly jsou specifické pro mluvčího: spravovaný katalog uvádí pro vhodné hlasy účelové vypravěčské či vzdělávací styly a pro jiné emoční volby, například radostný nebo s úlevou. Americký záznam Harper podporuje tyto dva emoční styly. Mluvčího vybírejte společně s jeho dokumentovaným stylem přednesu, místo abyste přenášeli styl jiného hlasu.

V příběhu nebo prezentaci může expresivita odlišit věcné vysvětlení, zamyšlenou pasáž a živou citaci. Praktická věta zní: „První pokus nám poskytl neúplný obraz. Pohled na celou posloupnost odhalil chybějící krok.“ Určete, kde se význam mění, a podle toho připravte mluvené jednotky. Poslechněte přechody, aby přednes sledoval příběh, místo aby zdůrazňoval každou větu stejně.

Referenční hlas a zvukový výsledek

Volitelný režim vlastního hlasu napodobuje mluvčího, který udělil souhlas, z pěti- až šedesátisekundové zvukové reference bez dolaďování. Microsoft v této referenci doporučuje přirozený konverzační přednes a střední energii, protože vzorek ovlivňuje generovaný hlas. Jeho postup pro vlastní hlas vyžaduje schválení výrobcem a nahrané prohlášení o souhlasu. Předpřipravená knihovna je samostatnou cestou výběru hlasu.

Výrobce umožňuje zvolit výstupní formát a jeho zveřejněný příklad syntézy ukládá monofonní MP3 při 24 kHz a 160 kbit/s. Tato nastavení popisují jeden výstupní postup. Zvukové vyjádření vyberte pro další fázi úprav nebo přehrávání a se záznamem uchovejte scénář, mluvčího i pořadí oddílů. Hotová kapitola nebo lekce může obsahovat několik generovaných pasáží a přesto tvořit jediný souvislý poslechový zážitek.

Využijte delší výsledek

MAI-Voice-2.1 se zaměřuje na přirozenost a výraz tam, kde je bezprostřední odezva méně důležitá než mluvený přednes. U delšího díla zkontrolujte opakující se jména, hranice oddílů, hlasy přiřazené dialogu a změny emočního ladění. Dokumentace stanovuje schopnost delšího generování a mechanismy konzistence, aniž by určovala neomezený scénář nebo zaručenou maximální délku nahrávky. Praktickým výstupem je expresivní zvuk, jehož vypravěč, znění a vývoj odpovídají připravenému materiálu.