Microsoft AI: MAI-Voice-2

Microsoft AI's MAI-Voice-2 producerer udtryksfuld flersproget tale til fortælling, dialog og talebaserede applikationer. Ensartethed i langt format, flere talere og følelseskontrol på replikniveau understøtter lydbøger, lektioner og figurstemmer.

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

Om modellen

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

MAI-Voice-2 er Microsoft AI's promptstyrede tekst-til-tale-model til naturligt og udtryksfuldt taleindhold. Producenten lægger vægt på akustisk gengivelse, ensartet taleridentitet og følelsesmæssigt spænd. De dokumenterede opgaver omfatter assistenter, lydbøger, podcasts, forelæsninger, undervisningsfigurer og fortællerstemmer til tilgængelighed. Manuskripttekst bliver til lyd med en valgt stemme; Voice-2-Flash-varianten har sin egen profil til interaktion, hvor et øjeblikkeligt svar prioriteres.

Sprog og taler

Microsofts Voice-2-udgivelse beskriver femten sprog, herunder engelsk, fransk, tysk, italiensk, spansk, portugisisk, hindi, koreansk, forenklet kinesisk, tyrkisk, russisk, thai, nederlandsk, rumænsk og ungarsk. Nogle sprog har særskilte regionale varianter. Udgivelsen beskriver også kodeskift mellem hindi og engelsk samt spansk og engelsk, så udvalgte flersprogede passager kan bevare den måde, en taler naturligt skifter sprog på.

Forbered de faktiske ord, der skal siges, og bevar det tilsigtede sprog. En tosproget undervisningspassage kan introducere et begreb på ét sprog og forklare det på et andet, mens navne og citater bevares. Det talte resultat skal kontrolleres i forhold til værkets ønskede accent og målgruppe frem for at behandle alle lokalitetsvarianter som udskiftelige.

Modelkortet tilbyder et kurateret stemmebibliotek og en særskilt vej til promptning med referencestemme. Referencetalen leverer den ønskede taleridentitet uden finjustering. Microsoft anbefaler naturlig samtalestil med moderat energi, fordi optagelsen påvirker tempo og fremførelse. Brug en repræsentativ optagelse med samtykke, når opgaven kræver en brugerdefineret stemme.

Længere fortælling og dialog

Modelkortet dokumenterer generering i langt format gennem opdeling i bidder med videreført kontekst. Det understøtter sammenhængende fortælling som et kapitel, en lektion eller en række podcastpassager. Del manuskriptet ved meningsfulde afsnitsgrænser, og behold ensartet terminologi og samme talervalg. En lang forklaring har gavn af talte overgange, der fortæller lytteren, når emnet skifter.

Understøttelse af flere talere giver mulighed for særskilte roller i en forberedt dialog. Tildel spørgsmålet og svaret til de ønskede talere, og behold tildelingen, når en rolle vender tilbage. Inputtet skal indeholde de færdige replikker og relevante fremførelsesinstruktioner, ikke en åben anmodning om, at talesynthesizeren selv finder på samtalen.

Tone og følelsesmæssig fremførelse

Microsoft dokumenterer detaljeret kontrol af tone, fremførelse og følelse på replikniveau. Udgivelsens eksempler demonstrerer udtryksfulde taleroller og følelsesladede passager. I en fortælling skal du afgøre, hvilken sætning der er faktuel, reflekterende eller begejstret, og derefter anvende en fremførelse, der følger betydningen. En praktisk replik er: »Den mest stille del af forsøget viste sig at være den mest afslørende. Det var dér, mønstret først blev tydeligt.« Ordlyden giver præstationen et bevidst skift i betoning.

I en instruerende voiceover skal handlingen stå tydeligt og forklaringen i en særskilt sætning. I dialog skal figurens talte ordlyd adskilles fra scenenoter. Lyt til gentagne navne og overgange mellem passager, så den endelige sekvens forbliver sammenhængende.

Brug lyden

Outputtet er nygenereret tale til det leverede manuskript. Dets nyttige form er en fortælling, dialog eller et talt applikationssvar, hvor stemme og fremførelse følger manuskriptet. Behold forbindelsen mellem tekst, taler, afsnitsrækkefølge og optagelse, så en rettelse ændrer den ønskede passage uden at miste resten af præstationen.

MAI-Voice-2 lægger vægt på naturlighed og udtryk i en længere lytteoplevelse. Evnen til langt format definerer ikke et ubegrænset input eller en garanteret maksimal optagelseslængde. Den præcise Voice-2-beskrivelse forbliver adskilt fra de senere Voice-2.1-udgavers udvidede sprogkatalog og stemmeindstillinger.

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

microsoft/mai-voice-2

Microsoft AI /microsoft/mai-voice-2

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	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 $0.044 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

Priser efter konfiguration

Konfiguration	Afregningsbetingelser	Beløb
KonfigurationMicrosoft AI: MAI-Voice-2 · Standardkonfiguration	AfregningsbetingelserStandardkonfiguration	Beløb Input · Inputtegn 0,000044 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", "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

Aliaser for metodestier

Brug metodestierne vist ovenfor.

Relaterede kalder-ID’er

microsoft/mai-voice-2

FAQ · Microsoft AI: MAI-Voice-2

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

Microsoft AI: MAI-Voice-2