Microsoft AI: MAI-Voice-2

MAI-Voice-2 od Microsoft AI vytváří expresivní vícejazyčnou řeč pro vyprávění, dialogy a hlasové aplikace. Konzistence delšího obsahu, více mluvčích a ovládání emocí na úrovni replik podporují audioknihy, lekce a hlasy postav.

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

O modelu

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

MAI-Voice-2 je model převodu textu na řeč řízený zadáním od Microsoft AI pro přirozený a expresivní mluvený obsah. Výrobce zdůrazňuje akustickou věrnost, konzistenci mluvčího a emoční rozsah. Dokumentované úkoly zahrnují asistenty, audioknihy, podcasty, přednášky, vzdělávací postavy a namluvení pro přístupnost. Text se mění na zvuk ve zvoleném hlase; varianta Voice-2-Flash má vlastní profil pro interakce, u nichž je prioritou okamžitá odezva.

Jazyk a mluvčí

Vydání Voice-2 od Microsoftu popisuje patnáct jazyků, včetně angličtiny, francouzštiny, němčiny, italštiny, španělštiny, portugalštiny, hindštiny, korejštiny, zjednodušené čínštiny, turečtiny, ruštiny, thajštiny, nizozemštiny, rumunštiny a maďarštiny. Některé jazyky mají samostatné regionální varianty. Vydání také popisuje přepínání mezi hindštinou a angličtinou a mezi španělštinou a angličtinou, takže vybrané vícejazyčné pasáže mohou zachovat přirozené střídání jazyků mluvčího.

Připravte skutečná slova určená k vyslovení a zachovejte jejich zamýšlený jazyk. Dvojjazyčná vzdělávací pasáž může představit termín v jednom jazyce a vysvětlit jej v druhém, při zachování jmen a citací. Mluvený výsledek je třeba ověřit s ohledem na přízvuk a publikum požadované pro dané dílo, místo aby se všechny místní varianty považovaly za zaměnitelné.

Modelová karta poskytuje kurátorovanou knihovnu hlasů a samostatnou cestu zadávání referenčního hlasu. Referenční řeč dodává požadovanou identitu mluvčího bez dolaďování. Microsoft doporučuje přirozený konverzační přednes se střední energií, protože nahrávka ovlivňuje tempo a podání. Vyžaduje-li úkol vlastní hlas, použijte reprezentativní nahrávku se souhlasem mluvčího.

Delší vyprávění a dialog

Modelová karta dokumentuje generování delšího obsahu dělením na části s přenosem kontextu. To podporuje navazující vyprávění, například kapitolu, lekci nebo sled podcastových pasáží. Scénář rozdělte na smysluplných hranicích oddílů a zachovejte jednotnou terminologii i volbu mluvčího. Dlouhému vysvětlení prospívají mluvené přechody, které posluchači sdělují změnu tématu.

Podpora více mluvčích umožňuje odlišné role v připraveném dialogu. Otázku a odpověď přiřaďte zamýšleným mluvčím a při návratu role tato přiřazení zachovejte. Vstup má obsahovat konečné repliky a příslušné pokyny k přednesu, nikoli otevřený požadavek, aby syntetizátor řeči konverzaci vymyslel.

Tón a emoční přednes

Microsoft dokumentuje jemné řízení tónu, přednesu a emocí na úrovni repliky. Ukázky vydání předvádějí expresivní mluvené role a emoční pasáže. U příběhu určete, která věta je věcná, zamyšlená nebo nadšená, a použijte přednes sledující její význam. Praktický příklad anglické věty zní: „The quietest part of the experiment turned out to be the most revealing. That was where the pattern first became clear.“ Znění dává přednesu záměrnou změnu důrazu.

U instruktážního komentáře zachovejte jasnou akci a vysvětlení uveďte v samostatné větě. U dialogu odlište mluvené znění postavy od poznámek ke scéně. Poslechněte opakovaná jména a přechody mezi pasážemi, aby konečná posloupnost zůstala souvislá.

Použijte zvuk

Výstupem je nově generovaná řeč dodaného textu. Její užitečnou podobou je vyprávění, dialog nebo hlasová odpověď aplikace, jejíž hlas a přednes sledují scénář. Se záznamem uchovávejte text, mluvčího a pořadí oddílů, aby oprava změnila zamýšlenou pasáž bez ztráty zbytku přednesu.

MAI-Voice-2 zdůrazňuje přirozenost a výraz v delším poslechovém zážitku. Jeho schopnost delšího generování nestanovuje neomezený vstup ani zaručenou maximální délku nahrávky. Popis konkrétního Voice-2 zůstává oddělený od rozšířeného jazykového katalogu a nastavení hlasů pozdějších verzí Voice-2.1.

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

microsoft/mai-voice-2

Microsoft AI /microsoft/mai-voice-2

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	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 $0.044 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

Ceny podle konfigurace

Konfigurace	Podmínky účtování	Poplatek
KonfiguraceMicrosoft AI: MAI-Voice-2 · Výchozí konfigurace	Podmínky účtováníVýchozí konfigurace	Poplatek Vstup · Vstupní znaky 0,000044 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", "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

Aliasy cest metod

Použijte cesty metod uvedené výše.

Související ID modelů

microsoft/mai-voice-2

FAQ · Microsoft AI: MAI-Voice-2

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

Microsoft AI: MAI-Voice-2