Microsoft AI: MAI-Voice-2-Flash

Microsoft AI's MAI-Voice-2-Flash genererer udtryksfuld tale på 15 sprog til assistenter, kundesupport og talte menuer. Den kombinerer hurtig fremførelse med et kurateret stemmebibliotek, promptning med referencestemme og tonekontrol på replikniveau.

Ailoot Ultra · Oplæsning POST /v1/audio/speech microsoft/mai-voice-2-flash

Om modellen

Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.

MAI-Voice-2-Flash er Microsoft AI's tekst-til-tale-model til stemmeoplevelser med hurtig respons og stor volumen. Producenten beskriver naturlig prosodi, klar lyd og udtryksfuld fremførelse og nævner assistenter, kundesupportagenter og telefonmenuer blandt de vigtigste opgaver. Skrevet manuskripttekst bliver til talt lyd med den valgte stemme. Flash er en bestemt variant af MAI-Voice-2, adskilt fra den senere MAI-Voice-2.1-familie.

Valg af sprog og stemme

Det præcise modelkort dokumenterer femten sprog og atten lokalitetsvarianter. De omfatter engelsk, italiensk, spansk, hindi, fransk, tysk, portugisisk, koreansk, forenklet kinesisk, tyrkisk, russisk, thai, nederlandsk, rumænsk og ungarsk med særskilte regionale varianter for nogle sprog. Vælg det ønskede sprog, og forbered den præcise ordlyd, som lytteren skal høre. En lokalitetsforskel kan have betydning for en hilsen, et produktnavn eller en udtale, som målgruppen kender.

Microsoft dokumenterer to veje til stemmevalg: et kurateret bibliotek og stemmepromptning ud fra en kort optagelse. Biblioteket leverer en eksisterende taler til fortælling eller interaktion. En referenceoptagelse definerer en anden taleridentitet gennem producentens arbejdsgang for brugerdefinerede stemmer. Behold det samme stemmevalg i beslægtede prompts, så åbningsbesked, forklaring og opfølgning lyder som dele af én oplevelse.

Tone til interaktiv tale

Modellen understøtter kontrol af tone, fremførelse og følelse på replikniveau. Til en talende assistent skal du skrive en kort første instruktion og derefter de detaljer, lytteren har brug for. En praktisk replik er: »Vælg det dokument, du vil åbne. Hvis du er usikker på titlen, så fortæl mig, hvad det handler om.« Manuskriptet giver lytteren en tydelig handling og plads til et opfølgende spørgsmål.

Til en undervisningssamtale skal du adskille forklaringen fra det spørgsmål, eleven skal besvare. I en menu skal valgmulighederne have korte navne og en ordlyd, der er klar, når den kun høres én gang. Tonen skal følge passagens formål: beroligelse, instruktion og spørgsmål kan kræve forskellig fremførelse med den samme stemme.

Forberedelse af referencestemme

Producenten angiver en optagelse på fem til tres sekunder til stemmepromptning og beskriver efterligning af en taler, der har givet samtykke, uden yderligere træning. Den anbefaler naturlig samtalestil med moderat energi, fordi referencen påvirker resultatet væsentligt. Forbered en optagelse, der repræsenterer den stemme, du vil bruge, frem for en præstation med uvedkommende ekstremer i lydstyrke eller udtryk.

Denne tilstand er dokumenteret til en autoriseret stemme med samtykke. Producentens arbejdsgang og biblioteket med forudindstillede stemmer er særskilte forberedelsesveje. Outputtet er fortsat nysyntetiseret tale fra det leverede manuskript; optagelsen leverer den ønskede taleridentitet.

Arbejd med det talte resultat

Brug Flash til interaktion, hvor svaret skal leveres hurtigt og være let at forstå. Producenten positionerer varianten omkring hurtig respons, samtidig med at prosodien og den akustiske kvalitet fra MAI-Voice-2-serien bevares. Knyt hver talt replik til dens manuskript og taler, så vigtige navne, kommandoer og følelsesmæssige skift kan gennemgås i sammenhæng.

Et nyttigt resultat er en klar talt prompt eller et svar på det ønskede sprog med den ønskede stemme. Lyt til ordlyden, som målgruppen vil høre den, især i en sekvens af prompts. Modellens specifikation med femten sprog og atten lokalitetsvarianter gælder den præcise Voice-2-Flash-udgave; senere versioners udvidede sprogkatalog og detaljer om administrerede stemmer hører til deres egne profiler.

Ailoot Ultra · Oplæsning POST /v1/audio/speech microsoft/mai-voice-2-flash

microsoft/mai-voice-2-flash

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

Start

Accepterede input: Tekst
Resultater: Lyd

Tilgængelig i Ailoot · input og metoder

Ailoot Ultra · Oplæsning POST /v1/audio/speech

Inputtyper: text
Outputtyper: audio
Outputformat: mp3

Felt	Type	Krav	Værdier og grænser	Standard
Felt`model`	Type`string`	KravPåkrævet	Værdier og grænser microsoft/mai-voice-2-flash	Standard—
Felt`input`	Type`string`	KravPåkrævet	Værdier og grænser Minimumslængde: 1 Enhed: Unicode-tegn	Standard—
Felt`voice`	Type`string`	KravPåkrævet	Værdier og grænser en-US-Harper:MAI-Voice-2, es-MX-Valeria:MAI-Voice-2, fr-FR-Soleil:MAI-Voice-2, de-DE-Klaus:MAI-Voice-2	Standard—
Felt`response_format`	Type`string`	KravPåkrævet	Værdier og grænser mp3	Standard—

Kombinationer af inputmaterialer

text_to_speech · Påkrævet: input

Metodeparametre og livscyklus

Parameter	Kontrakt
Parameter`content_type`	Kontraktapplication/json
Parameter`required`	Kontraktmodel, input, voice, response_format
Parameter`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
Parameter`response_format`	Kontraktmp3
Parameter`max_input_characters`	Kontraktnull
Parameter`other_options`	Kontraktfalse
Parameter`input`	Kontraktpræcis UTF-8-tekst; antal Unicode-tegn uden normalisering
Parameter`material_types`	Kontrakttext

Livscyklus: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · det faktisk returnerede task_id eller posten i mediebiblioteket

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Vælg den præcise stemme fra denne modelprofil.

Inputtegn og lydsekunder er forskellige måleenheder.

Priser

Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.

Hurtig tilstand: Ikke angivet Når hurtig tilstand er valgt
flex-tilstand: Ikke angivet Når flex-tilstanden er valgt
Maksimal ræsonneringsindsats: Ikke angivet Når default-justeringen anvendes ved maksimal ræsonneringsindsats

Ailoot-takster

Priser efter konfiguration

Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.

Konfiguration	Takstplan	Afregningsmængde	Afregningsenhed	Beløb
KonfigurationGrundpriser for tokens	TakstplanGrundtakst	Afregningsmængde—	Afregningsenhed—	Beløb Input · Inputtokens — / 1K tokens Output · Outputtokens — / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens
KonfigurationUltra	Takstplan—	AfregningsmængdeHvert Unicode-kodepunkt tæller som ét tegn, herunder Han-tegn.	Afregningsenhedpr. 1K inputtegn	Beløb Input · inputtegn $0.03 pr. 1K inputtegn

Detaljer om referencetariffen

Referenceplaner på modelniveau ændrer ikke metodevalg, prisoverslag eller opkrævninger. Ved den aktive afregning anvendes taksterne for den valgte Ailoot-metode.

Microsoft AI: MAI-Voice-2-Flash

Priser efter konfiguration

Konfiguration	Afregningsbetingelser	Beløb
KonfigurationMicrosoft AI: MAI-Voice-2-Flash · Standardkonfiguration	AfregningsbetingelserStandardkonfiguration	Beløb Input · Inputtegn 0,00003 US$ pr. inputtegn

Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →

Eksempelanmodninger

Ailoot Ultra · Oplæsning

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

Hent og gem resultater

Ailoot Ultra · Oplæsning

mp3

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

Læsning af andet indhold

MediebibliotekOpgavestatusFildetaljer

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

Behold alle færdige resultater

Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.

Gem hele det binære resultat og alle headere. Hvis der returneres JSON eller flere output, skal du gemme hvert dataelement og hente alle de faktiske signerede asset-URL'er.

Hvis det oprindelige svar skal kontrolleres

Gem det oprindelige operation_id/X-Client-Request-ID til afstemning uden genindsendelse; der er ingen særskilt rute til polling af lyd.

Svarfelter

Felt	Type
Felt`binary audio`	Typebytes
Felt`response headers`	Typeheaders

Fejl og næste trin

Svar	Betingelse	Næste trin
Svar400 · `invalid_request_error`	BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi	Næste trinRet de angivne felter før en ny oprettelsesanmodning.
Svar`server_error`	BetingelseDet returnerede svar angiver, at operationen eller resultatet skal kontrolleres	Næste trinGem det oprindeligt returnerede operations-/opgave-ID, anmodningens headere og svaret; fortsæt med de understøttede læseanmodninger for den oprindelige operation. Send ikke oprettelsesanmodningen igen.

Aliaser

Modelaliaser

Ailoot Ultra microsoft/mai-voice-2-flash

Aliaser for metodestier

Brug metodestierne vist ovenfor.

Relaterede kalder-ID’er

microsoft/mai-voice-2-flash

FAQ · Microsoft AI: MAI-Voice-2-Flash

Hvilke input og resultater er tilgængelige?: POST /v1/audio/speech · microsoft/mai-voice-2-flash: text → audio
Hvilke felter bruger anmodningen?: POST /v1/audio/speech · microsoft/mai-voice-2-flash: model, input, voice, response_format

Microsoft AI: MAI-Voice-2-Flash