Microsoft AI: MAI-Voice-2
MAI-Voice-2 von Microsoft AI erzeugt ausdrucksstarke mehrsprachige Sprachausgabe für Erzähltexte, Dialoge und Sprachanwendungen. Konsistenz über längere Inhalte, mehrere Sprecher und Emotionssteuerung je Gesprächsrunde unterstützen Hörbücher, Unterricht und Figurenstimmen.
Über das Modell
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
MAI-Voice-2 ist das promptgesteuerte Text-to-Speech-Modell von Microsoft AI für natürliche, ausdrucksstarke gesprochene Inhalte. Der Hersteller betont Klangtreue, Sprecherkonsistenz und emotionale Bandbreite. Zu den dokumentierten Aufgaben gehören Assistenten, Hörbücher, Podcasts, Vorträge, Lernfiguren und Sprechertexte für barrierefreie Nutzung. Transkripttext wird zu Audio in einer gewählten Stimme; die Variante Voice-2-Flash hat ein eigenes Profil für Interaktionen, bei denen eine unmittelbare Antwort Vorrang hat.
Sprache und Sprecher
Microsoft beschreibt zur Voice-2-Veröffentlichung fünfzehn Sprachen, darunter Englisch, Französisch, Deutsch, Italienisch, Spanisch, Portugiesisch, Hindi, Koreanisch, vereinfachtes Chinesisch, Türkisch, Russisch, Thai, Niederländisch, Rumänisch und Ungarisch. Einige Sprachen haben separate regionale Varianten. Die Veröffentlichung beschreibt außerdem Code-Switching zwischen Hindi und Englisch sowie zwischen Spanisch und Englisch, sodass bestimmte gemischtsprachige Passagen den natürlichen Sprachwechsel eines Sprechers beibehalten können.
Bereiten Sie die tatsächlich zu sprechenden Wörter vor und bewahren Sie deren vorgesehene Sprache. Eine zweisprachige Lernpassage kann einen Begriff in einer Sprache einführen und in einer anderen erklären, während Namen und Zitate erhalten bleiben. Prüfen Sie das gesprochene Ergebnis anhand des für das Stück benötigten Akzents und Publikums, statt alle Sprach- und Regionalvarianten als austauschbar zu behandeln.
Die Modellkarte bietet eine kuratierte Stimmenbibliothek und einen separaten Weg zur Stimmensteuerung per Referenzaufnahme. Die Referenzaufnahme liefert ohne Fine-Tuning die gewünschte Sprecheridentität. Microsoft empfiehlt eine natürliche Gesprächsweise mit mäßiger Energie, weil die Aufnahme Tempo und Sprechweise beeinflusst. Verwenden Sie eine repräsentative Aufnahme mit Einwilligung des Sprechers, wenn die Aufgabe eine benutzerdefinierte Stimme erfordert.
Längere Erzähltexte und Dialoge
Die Modellkarte dokumentiert die Generierung längerer Inhalte durch abschnittsweise Verarbeitung mit Kontextübernahme. Dies unterstützt zusammenhängende Erzähltexte wie ein Kapitel, eine Unterrichtseinheit oder eine Folge von Podcastpassagen. Teilen Sie das Skript an sinnvollen Abschnittsgrenzen und halten Sie Terminologie und Sprecherwahl konsistent. Eine lange Erklärung profitiert von gesprochenen Übergängen, die dem Hörer den Themenwechsel anzeigen.
Die Unterstützung mehrerer Sprecher ermöglicht unterschiedliche Rollen in einem vorbereiteten Dialog. Weisen Sie Frage und Antwort den vorgesehenen Sprechern zu und behalten Sie diese Zuordnungen bei, wenn eine Rolle erneut auftritt. Die Eingabe sollte die endgültigen Zeilen und relevante Sprechregie enthalten, statt den Sprachsynthesizer offen aufzufordern, das Gespräch zu erfinden.
Tonfall und emotionale Sprechweise
Microsoft dokumentiert eine feine Steuerung von Tonfall, Sprechweise und Emotion auf Ebene einer Gesprächsrunde. Seine Veröffentlichungsbeispiele zeigen ausdrucksstarke Sprechrollen und emotionale Passagen. Legen Sie für einen Erzähltext fest, welcher Satz sachlich, nachdenklich oder aufgeregt ist, und wenden Sie eine Sprechweise an, die dieser Bedeutung folgt. Eine praktische Zeile lautet: „Der leiseste Teil des Experiments erwies sich als der aufschlussreichste. Dort wurde das Muster zum ersten Mal deutlich.“ Der Wortlaut gibt der Darbietung einen gezielten Wechsel der Betonung.
Halten Sie bei einem anleitenden Voice-over die Handlung klar und die Erklärung in einem separaten Satz. Unterscheiden Sie bei Dialogen den gesprochenen Wortlaut einer Figur von Szenennotizen. Hören Sie auf wiederkehrende Namen und Übergänge zwischen Passagen, damit die fertige Folge zusammenhängend bleibt.
Audio verwenden
Die Ausgabe ist neu erzeugte Sprachausgabe für das bereitgestellte Transkript. Ihr nützliches Ergebnis ist ein Erzähltext, Dialog oder eine gesprochene Anwendungsantwort, deren Stimme und Sprechweise dem Skript folgen. Halten Sie Text, Sprecher und Abschnittsreihenfolge mit der Aufnahme verknüpft, damit eine Korrektur die vorgesehene Passage ändert, ohne den Rest der Darbietung zu verlieren.
MAI-Voice-2 betont Natürlichkeit und Ausdruck in einem längeren Hörerlebnis. Seine Fähigkeit zur Generierung längerer Inhalte definiert keine unbegrenzte Eingabe oder garantierte maximale Aufnahmedauer. Die genaue Voice-2-Beschreibung bleibt vom erweiterten Sprachkatalog und den Stimmeneinstellungen der späteren Voice-2.1-Modellversionen getrennt.
Ailoot Ultra · Sprachausgabe POST /v1/audio/speech microsoft/mai-voice-2
microsoft/mai-voice-2Einstieg
MAI-Voice-2 von Microsoft AI erzeugt ausdrucksstarke mehrsprachige Sprachausgabe für Erzähltexte, Dialoge und Sprachanwendungen. Konsistenz über längere Inhalte, mehrere Sprecher und Emotionssteuerung je Gesprächsrunde unterstützen Hörbücher, Unterricht und Figurenstimmen.
- Zulässige Eingaben
- Text
- Ergebnisse
- Audio
In Ailoot verfügbar · Eingaben und Methoden
Ailoot Ultra · Sprachausgabe POST /v1/audio/speech
- Eingabe
text- Ausgabe
audio- Ausgabeformat
- mp3
| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits microsoft/mai-voice-2 | Standard— |
Feldinput | Typstring | AnforderungErforderlich | Werte und Limits Mindestlänge: 1 Einheit: Unicode-Zeichen | Standard— |
Feldvoice | Typstring | AnforderungErforderlich | Werte und Limits 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— |
Feldresponse_format | Typstring | AnforderungErforderlich | Werte und Limits mp3 | Standard— |
Kombinationen von Eingabematerialien
text_to_speech · Erforderlich: input
Methodenparameter und Lebenszyklus
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, input, voice, response_format |
Parametervoice_ids | Vertragen-US-Harper:MAI-Voice-2, es-MX-Valeria:MAI-Voice-2, fr-FR-Soleil:MAI-Voice-2, de-DE-Klaus:MAI-Voice-2 |
Parameterresponse_format | Vertragmp3 |
Parametermax_input_characters | Vertragnull |
Parameterother_options | Vertragfalse |
Parameterinput | Vertragexakter UTF-8-Text; Unicode-Zeichenzahl ohne Normalisierung |
Parametermaterial_types | Vertragtext |
Lebenszyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · die tatsächlich zurückgegebene task_id oder ein Eintrag in der Medienbibliothek
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Wählen Sie die genaue Stimme aus diesem Modellprofil.
Eingabezeichen und Audiosekunden sind unterschiedliche Messgrößen.
Tarife
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
- Schnellmodus
- Nicht angegeben Wenn der Schnellmodus ausgewählt ist
- Flex-Modus
- Nicht angegeben Wenn der Modus flex ausgewählt ist
- Maximaler Denkaufwand
- Nicht angegeben Wenn beim maximalen Denkaufwand die Standardanpassung (default) verwendet wird
Ailoot-Tarife
Preise nach Konfiguration
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Abrechenbare Menge | Abrechnungseinheit | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Tokens | TarifstaffelGrundtarif | Abrechenbare Menge— | Abrechnungseinheit— | Gebühr Eingabe · Eingabetoken — / 1K Tokens Ausgabe · Ausgabetoken — / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationUltra | Tarifstaffel— | Abrechenbare MengeJeder Unicode-Codepunkt zählt als ein Zeichen, einschließlich Han-Zeichen. | Abrechnungseinheitpro 1K Eingabezeichen | Gebühr Eingabe · Eingabezeichen $0.044 pro 1K Eingabezeichen |
Details zum Referenztarif
Referenztarifstaffeln auf Modellebene ändern weder Methodenauswahl noch Kostenvoranschläge oder Gebühren. Für die aktive Abrechnung gelten die Tarife der ausgewählten Ailoot-Methode.
Microsoft AI: MAI-Voice-2
Preise nach Konfiguration
| Konfiguration | Abrechnungsbedingungen | Gebühr |
|---|---|---|
| KonfigurationMicrosoft AI: MAI-Voice-2 · Standardkonfiguration | AbrechnungsbedingungenStandardkonfiguration | Gebühr Eingabe · Eingabezeichen $ 0,000044 pro Eingabezeichen |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
Beispielanfragen
Ailoot Ultra · Sprachausgabe
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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o speech.mp3
Ergebnisse abrufen und speichern
Ailoot Ultra · Sprachausgabe
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Abrufe anderer Inhalte
set -eu
: "${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
Alle fertiggestellten Ergebnisse aufbewahren
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Das vollständige Binärergebnis und die Header aufbewahren. Wenn JSON oder mehrere Ausgaben zurückgegeben werden, jedes Datenelement aufbewahren und jede tatsächlich zurückgegebene signierte Asset-URL abrufen.
Wenn die ursprüngliche Antwort geprüft werden muss
Die ursprüngliche operation_id/X-Client-Request-ID für den Abgleich ohne erneute Einreichung aufbewahren; es gibt keine eigene Route zur Abfrage des Audiostatus.
Antwortfelder
| Feld | Typ |
|---|---|
Feldbinary audio | Typbytes |
Feldresponse headers | Typheaders |
Fehler und nächste Schritte
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Antwortserver_error | BedingungDie zurückgegebene Antwort gibt an, dass der Vorgang oder das Ergebnis eine Prüfung erfordert | Nächster SchrittDie ursprünglich zurückgegebene Vorgangs-/Aufgaben-ID, die Anfrageheader und die Antwort aufbewahren; mit unterstützten Leseaufrufen für diesen ursprünglichen Vorgang fortfahren. Die Erstellungsanfrage nicht erneut senden. |
Aliasnamen
Modellaliasnamen
Ailoot Ultra microsoft/mai-voice-2
Aliasnamen für Methodenpfade
Verwenden Sie die oben angezeigten Methodenpfade.
Zugehörige Aufrufer-IDs
FAQ · Microsoft AI: MAI-Voice-2
- Welche Eingaben und Ergebnisse sind verfügbar?
POST /v1/audio/speech·microsoft/mai-voice-2:text→audio- Welche Felder verwendet die Anfrage?
POST /v1/audio/speech·microsoft/mai-voice-2:model,input,voice,response_format