Microsoft AI: MAI-Voice-2-Flash

MAI-Voice-2-Flash od Microsoft AI generuje expresivní řeč v 15 jazycích pro asistenty, zákaznickou podporu a hlasové nabídky. Spojuje pohotový přednes s kurátorovanou knihovnou hlasů, zadáváním referenčního hlasu a ovládáním tónu na úrovni replik.

Ailoot Ultra · Převod na řeč POST /v1/audio/speech microsoft/mai-voice-2-flash

O modelu

Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.

MAI-Voice-2-Flash je model převodu textu na řeč od Microsoft AI navržený pro pohotové hlasové služby ve velkém objemu. Výrobce popisuje přirozenou prozodii, čistý zvuk a expresivní přednes a mezi hlavní úkoly řadí asistenty, agenty zákaznické podpory a telefonní nabídky. Písemný text se mění na mluvený zvuk ve zvoleném hlase. Flash je konkrétní varianta MAI-Voice-2, odlišná od pozdější rodiny MAI-Voice-2.1.

Výběr jazyka a hlasu

Modelová karta této konkrétní verze dokumentuje patnáct jazyků a osmnáct místních variant. Zahrnují angličtinu, italštinu, španělštinu, hindštinu, francouzštinu, němčinu, portugalštinu, korejštinu, zjednodušenou čínštinu, turečtinu, ruštinu, thajštinu, nizozemštinu, rumunštinu a maďarštinu, u některých jazyků se samostatnými regionálními variantami. Zvolte zamýšlený jazyk a připravte skutečné znění, které má posluchač slyšet. Rozdíl místní varianty může být důležitý u pozdravu, názvu produktu nebo výslovnosti známé publiku.

Microsoft dokumentuje dvě cesty výběru hlasu: kurátorovanou knihovnu a zadání hlasu z krátké nahrávky. Knihovna dodává existujícího mluvčího pro vyprávění či interakci. Referenční nahrávka určuje jinou identitu mluvčího prostřednictvím postupu výrobce pro vlastní hlas. Volbu mluvčího zachovejte mezi souvisejícími pokyny, aby úvodní zpráva, vysvětlení a navazující odpověď zněly jako části jednoho zážitku.

Tón interaktivní řeči

Model podporuje řízení tónu, přednesu a emocí na úrovni repliky. Pro hlasového asistenta napište stručný první pokyn a potom podrobnost, kterou posluchač potřebuje. Praktický příklad anglické věty zní: „Choose the document you want to open. If you are unsure of its title, tell me what it is about.“ Scénář poskytuje posluchači jasnou akci a ponechává prostor pro doplňující otázku.

U vzdělávacího rozhovoru oddělte vysvětlení od otázky, na kterou má student odpovědět. U nabídky udržujte názvy možností krátké a používejte znění jasné při jediném poslechu. Tón má sledovat účel pasáže: uklidnění, pokyn a otázka mohou vyžadovat odlišný přednes při zachování stejného hlasu.

Příprava referenčního hlasu

Výrobce pro zadávání hlasu stanovuje pěti- až šedesátisekundovou nahrávku a popisuje napodobení mluvčího, který udělil souhlas, bez dalšího trénování. Doporučuje přirozený konverzační přednes se střední energií, protože reference podstatně ovlivňuje výsledek. Připravte nahrávku představující hlas, který chcete používat, nikoli výkon s nesouvisejícími extrémy hlasitosti nebo výrazu.

Tento režim je dokumentován pro oprávněné použití hlasu se souhlasem mluvčího. Postup výrobce a knihovna přednastavených hlasů představují samostatné cesty přípravy. Výstupem zůstává nově syntetizovaná řeč z dodaného textu; nahrávka dodává požadovanou identitu mluvčího.

Práce s mluveným výsledkem

Flash použijte pro interakci, v níž má odpověď zaznít rychle a zůstat snadno srozumitelná. Výrobce tuto variantu staví na pohotovosti při zachování prozodie a akustické kvality řady MAI-Voice-2. Každou mluvenou repliku spojte s jejím textem a mluvčím, aby bylo možné v kontextu zkontrolovat důležitá jména, příkazy a emoční změny.

Užitečným výsledkem je jasný mluvený pokyn nebo odpověď v požadovaném jazyce a hlase. Poslechněte znění tak, jak je uslyší publikum, zvláště v řadě pokynů. Specifikace patnácti jazyků a osmnácti místních variant patří této konkrétní verzi Voice-2-Flash; rozšířený jazykový katalog a podrobnosti spravovaných hlasů pozdějších verzí patří jejich vlastním profilům.

Ailoot Ultra · Převod na řeč POST /v1/audio/speech microsoft/mai-voice-2-flash

microsoft/mai-voice-2-flash

Microsoft AI /microsoft/mai-voice-2-flash

Úvod

Přijímané vstupy: Text
Výsledky: Zvuk

Dostupné v Ailoot · vstupy a metody

Ailoot Ultra · Převod na řeč POST /v1/audio/speech

Vstup: text
Výstup: audio
Výstupní formát: mp3

Pole	Typ	Požadavek	Hodnoty a limity	Výchozí
Pole`model`	Typ`string`	PožadavekPovinné	Hodnoty a limity microsoft/mai-voice-2-flash	Výchozí—
Pole`input`	Typ`string`	PožadavekPovinné	Hodnoty a limity Minimální délka: 1 Jednotka: znaky Unicode	Výchozí—
Pole`voice`	Typ`string`	PožadavekPovinné	Hodnoty a limity en-US-Harper:MAI-Voice-2, es-MX-Valeria:MAI-Voice-2, fr-FR-Soleil:MAI-Voice-2, de-DE-Klaus:MAI-Voice-2	Výchozí—
Pole`response_format`	Typ`string`	PožadavekPovinné	Hodnoty a limity mp3	Výchozí—

Kombinace vstupních materiálů

text_to_speech · Povinné: input

Parametry a životní cyklus metody

Parametr	Kontrakt
Parametr`content_type`	Kontraktapplication/json
Parametr`required`	Kontraktmodel, input, voice, response_format
Parametr`voice_ids`	Kontrakten-US-Harper:MAI-Voice-2, es-MX-Valeria:MAI-Voice-2, fr-FR-Soleil:MAI-Voice-2, de-DE-Klaus:MAI-Voice-2
Parametr`response_format`	Kontraktmp3
Parametr`max_input_characters`	Kontraktnull
Parametr`other_options`	Kontraktfalse
Parametr`input`	Kontraktpřesný text UTF-8; počet znaků Unicode bez normalizace
Parametr`material_types`	Kontrakttext

Životní cyklus: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · skutečně vrácené task_id nebo záznam v knihovně médií

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Vyberte přesný hlas z tohoto profilu modelu.

Vstupní znaky a sekundy zvuku jsou různé měrné jednotky.

Tarify

Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.

Rychlý režim: Neuvedeno Při výběru rychlého režimu
Režim flex: Neuvedeno Při výběru režimu flex
Maximální intenzita uvažování: Neuvedeno Když se při maximální intenzitě uvažování použije výchozí úprava (default)

Sazby Ailoot

Ceny podle konfigurace

Přiřaďte každý poplatek k uvedeným podmínkám. Pro každou sadu alternativních konfigurací použijte jednu sazbu.

Konfigurace	Tabulka sazeb	Účtované množství	Účtovací jednotka	Poplatek
KonfiguraceZákladní sazby za tokeny	Tabulka sazebZákladní sazba	Účtované množství—	Účtovací jednotka—	Poplatek Vstup · Vstupní tokeny — / 1K tokenů Výstup · Výstupní tokeny — / 1K tokenů Vstup · Čtení z mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů
KonfiguraceUltra	Tabulka sazeb—	Účtované množstvíKaždý kódový bod Unicode se počítá jako jeden znak, včetně znaků Han.	Účtovací jednotkaza 1K vstupních znaků	Poplatek Vstup · vstupní znak $0.03 za 1K vstupních znaků

Podrobnosti referenčního tarifu

Referenční tabulky modelu nemění výběr metody, cenové nabídky ani poplatky. Skutečné poplatky používají sazby vybrané metody Ailoot.

Microsoft AI: MAI-Voice-2-Flash

Ceny podle konfigurace

Konfigurace	Podmínky účtování	Poplatek
KonfiguraceMicrosoft AI: MAI-Voice-2-Flash · Výchozí konfigurace	Podmínky účtováníVýchozí konfigurace	Poplatek Vstup · Vstupní znaky 0,00003 US$ za vstupní znak

Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →

Příklady požadavků

Ailoot Ultra · Převod na řeč

curl

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}"
export AILOOT_VOICE_ID
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "microsoft/mai-voice-2-flash", "input": "Good afternoon! This is a short voice take."}')
voice=os.environ["AILOOT_VOICE_ID"]
allowed=json.loads('["en-US-Harper:MAI-Voice-2", "es-MX-Valeria:MAI-Voice-2", "fr-FR-Soleil:MAI-Voice-2", "de-DE-Klaus:MAI-Voice-2"]')
if voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile")
p["voice"]=voice
p["response_format"]="mp3"
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o speech.mp3

Přijímání a ukládání výsledků

Ailoot Ultra · Převod na řeč

mp3

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Další načtení obsahu

Knihovna médiíStav úlohyPodrobnosti souboru

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_MEDIA_TASK_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-task.json").read_text())))
PY_RESULT

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_ASSET_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-asset.json").read_text())))
PY_RESULT

Uchovejte všechny dokončené výsledky

Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.

Uchovejte úplný binární výsledek a hlavičky. Pokud odpověď obsahuje JSON nebo více výstupů, uchovejte všechny datové položky a stáhněte každý soubor ze skutečně vrácené podepsané URL.

Pokud je nutné ověřit původní odpověď

Uchovejte původní operation_id/X-Client-Request-ID pro spárování záznamů bez opětovného odeslání; samostatná trasa pro dotazování na stav zvuku neexistuje.

Pole odpovědi

Pole	Typ
Pole`binary audio`	Typbytes
Pole`response headers`	Typheaders

Chyby a další kroky

Odpověď	Podmínka	Další krok
Odpověď400 · `invalid_request_error`	PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru	Další krokPřed novým požadavkem na vytvoření opravte uvedená pole.
Odpověď`server_error`	PodmínkaVrácená odpověď uvádí, že operaci nebo výsledek je třeba zkontrolovat	Další krokUchovejte původní vrácené ID operace nebo úlohy, hlavičky požadavku a odpověď; pokračujte v podporovaném načítání údajů o této původní operaci. Požadavek na vytvoření znovu neodesílejte.

Aliasy

Aliasy modelu

Ailoot Ultra microsoft/mai-voice-2-flash

Aliasy cest metod

Použijte cesty metod uvedené výše.

Související ID modelů

microsoft/mai-voice-2-flash

FAQ · Microsoft AI: MAI-Voice-2-Flash

Jaké vstupy a výsledky jsou dostupné?: POST /v1/audio/speech · microsoft/mai-voice-2-flash: text → audio
Jaká pole požadavek používá?: POST /v1/audio/speech · microsoft/mai-voice-2-flash: model, input, voice, response_format

Microsoft AI: MAI-Voice-2-Flash