Microsoft AI: MAI-Voice-2-Flash
MAI-Voice-2-Flash von Microsoft AI erzeugt ausdrucksstarke Sprachausgabe in 15 Sprachen für Assistenten, Kundensupport und gesprochene Menüs. Es verbindet schnelle Ausgabe mit einer kuratierten Stimmenbibliothek, Stimmensteuerung per Referenzaufnahme und Tonfallkontrolle je Gesprächsrunde.
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-Flash ist das Text-to-Speech-Modell von Microsoft AI für reaktionsschnelle Sprachanwendungen mit hohem Nutzungsvolumen. Der Hersteller beschreibt natürliche Prosodie, klares Audio und ausdrucksstarke Sprechweise; zu den Hauptaufgaben gehören Assistenten, Kundensupport-Agenten und Telefonmenüs. Geschriebener Transkripttext wird zu gesprochenem Audio in der gewählten Stimme. Flash ist eine bestimmte Variante von MAI-Voice-2 und von der späteren MAI-Voice-2.1-Familie zu unterscheiden.
Sprache und Stimme auswählen
Die genaue Modellkarte dokumentiert fünfzehn Sprachen und achtzehn Sprach- und Regionalvarianten. Dazu gehören Englisch, Italienisch, Spanisch, Hindi, Französisch, Deutsch, Portugiesisch, Koreanisch, vereinfachtes Chinesisch, Türkisch, Russisch, Thai, Niederländisch, Rumänisch und Ungarisch; für einige Sprachen gibt es separate regionale Varianten. Wählen Sie die vorgesehene Sprache und bereiten Sie den tatsächlichen Wortlaut vor, den der Hörer hören soll. Eine regionale Sprachvariante kann bei einer Begrüßung, einem Produktnamen oder einer dem Publikum vertrauten Aussprache wichtig sein.
Microsoft dokumentiert zwei Wege zur Stimmenauswahl: eine kuratierte Bibliothek und Stimmensteuerung anhand einer kurzen Aufnahme. Die Bibliothek stellt einen vorhandenen Sprecher für einen Erzähltext oder eine Interaktion bereit. Eine Referenzaufnahme definiert über den Workflow des Herstellers für benutzerdefinierte Stimmen eine andere Sprecheridentität. Behalten Sie die Sprecherwahl über zusammengehörige Prompts hinweg bei, damit Eröffnungsnachricht, Erklärung und anschließende Antwort wie Teile eines gemeinsamen Erlebnisses klingen.
Tonfall für interaktive Sprachausgabe
Das Modell unterstützt die Steuerung von Tonfall, Sprechweise und Emotion auf Ebene einer Gesprächsrunde. Schreiben Sie für einen Sprachassistenten zuerst eine knappe Anweisung und dann die Einzelheiten, die der Hörer benötigt. Eine praktische Zeile lautet: „Wählen Sie das Dokument, das Sie öffnen möchten. Wenn Sie den Titel nicht genau wissen, sagen Sie mir, worum es geht.“ Das Skript gibt dem Hörer eine klare Handlung vor und lässt zugleich Raum für eine Rückfrage.
Trennen Sie in einem Lerndialog die Erklärung von der Frage, die der Lernende beantworten soll. Halten Sie in einem Menü die Optionsnamen kurz und verwenden Sie Formulierungen, die auch beim einmaligen Hören verständlich bleiben. Der Tonfall sollte dem Zweck der Passage folgen: Eine Beruhigung, eine Anweisung und eine Frage können unterschiedliche Sprechweisen erfordern, während die Stimme gleich bleibt.
Referenzstimme vorbereiten
Der Hersteller gibt für die Stimmensteuerung eine fünf bis sechzig Sekunden lange Aufnahme vor und beschreibt die Nachbildung des Sprechers, der zugestimmt hat, ohne zusätzliches Training. Er empfiehlt eine natürliche Gesprächsweise mit mäßiger Energie, weil die Referenz das Ergebnis wesentlich beeinflusst. Bereiten Sie eine Aufnahme vor, die die gewünschte Stimme repräsentiert, statt einer Darbietung mit unpassenden Extremen bei Lautstärke oder Ausdruck.
Dieser Modus ist für eine autorisierte Stimme mit Einwilligung dokumentiert. Sein Herstellerworkflow und die Bibliothek voreingestellter Stimmen sind separate Vorbereitungswege. Die Ausgabe bleibt neu synthetisierte Sprachausgabe aus dem bereitgestellten Transkript; die Aufnahme liefert die gewünschte Sprecheridentität.
Mit dem gesprochenen Ergebnis arbeiten
Verwenden Sie Flash für eine Interaktion, bei der die Antwort zeitnah ausgegeben werden und leicht verständlich bleiben soll. Der Hersteller richtet diese Variante auf Reaktionsschnelligkeit aus und behält dabei Prosodie und akustische Qualität der MAI-Voice-2-Reihe bei. Halten Sie jede Gesprächsrunde mit ihrem Transkript und Sprecher verknüpft, damit wichtige Namen, Befehle und emotionale Wechsel im Kontext geprüft werden können.
Ein nützliches Ergebnis ist ein klarer gesprochener Prompt oder eine Antwort in der benötigten Sprache und Stimme. Hören Sie sich den Wortlaut so an, wie ihn das Publikum hören wird, insbesondere in einer Folge von Prompts. Die Spezifikation mit fünfzehn Sprachen und achtzehn Sprach- und Regionalvarianten gehört zu dieser genauen Voice-2-Flash-Modellversion; der erweiterte Sprachkatalog und die Details zu verwalteten Stimmen späterer Versionen gehören zu deren eigenen Profilen.
Ailoot Ultra · Sprachausgabe POST /v1/audio/speech microsoft/mai-voice-2-flash
microsoft/mai-voice-2-flashStart
MAI-Voice-2-Flash von Microsoft AI erzeugt ausdrucksstarke Sprachausgabe in 15 Sprachen für Assistenten, Kundensupport und gesprochene Menüs. Es verbindet schnelle Ausgabe mit einer kuratierten Stimmenbibliothek, Stimmensteuerung per Referenzaufnahme und Tonfallkontrolle je Gesprächsrunde.
- Zulässige Eingaben
- Text
- Ergebnisse
- Audio
In Ailoot verfügbar · Eingaben und Methoden
Ailoot Ultra · Sprachausgabe POST /v1/audio/speech
- Eingabetypen
text- Ausgabetypen
audio- Ausgabeformat
- mp3
| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits microsoft/mai-voice-2-flash | 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; Anzahl der Unicode-Zeichen 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 Abrechnungseinheiten.
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 Token | TarifstaffelGrundtarif | Abrechenbare Menge— | Abrechnungseinheit— | Gebühr Eingabe · Eingabetoken — / 1K Token Ausgabe · Ausgabetoken — / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationUltra | Tarifstaffel— | Abrechenbare MengeJeder Unicode-Codepunkt zählt als ein Zeichen, einschließlich Han-Zeichen. | Abrechnungseinheitpro 1K Eingabezeichen | Gebühr Eingabe · Eingabezeichen $0.03 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-Flash
Preise nach Konfiguration
| Konfiguration | Abrechnungsbedingungen | Gebühr |
|---|---|---|
| KonfigurationMicrosoft AI: MAI-Voice-2-Flash · Standardkonfiguration | AbrechnungsbedingungenStandardkonfiguration | Gebühr Eingabe · Eingabezeichen 0,00003 $ 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-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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o speech.mp3
Ergebnisse abrufen und speichern
Ailoot Ultra · Sprachausgabe
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Abrufe anderer Inhalte
set -eu
: "${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-flash
Aliasnamen für Methodenpfade
Verwenden Sie die oben angezeigten Methodenpfade.
Zugehörige Aufrufer-IDs
FAQ · Microsoft AI: MAI-Voice-2-Flash
- Welche Eingaben und Ergebnisse sind verfügbar?
POST /v1/audio/speech·microsoft/mai-voice-2-flash:text→audio- Welche Felder verwendet die Anfrage?
POST /v1/audio/speech·microsoft/mai-voice-2-flash:model,input,voice,response_format