Microsoft AI: MAI-Voice-2.1-Flash

Το MAI-Voice-2.1-Flash είναι το μοντέλο μετατροπής κειμένου σε ομιλία με προτροπές της Microsoft AI, σχεδιασμένο για προφορική αλληλεπίδραση με γρήγορη απόκριση. Ο κατασκευαστής το προορίζει για φωνητικούς βοηθούς, συνομιλίες εξυπηρέτησης πελατών και τηλεφωνικά μενού. Παράγει φυσική, εκφραστική ομιλία σε είκοσι τρεις γλώσσες, με έλεγχο του τόνου και της εκφοράς. Το Flash είναι η έκδοση που προσανατολίζεται στη ζωντανή απόκριση· το ξεχωριστά ονομαζόμενο MAI-Voice-2.1 δίνει προτεραιότητα στη λεπτομερή έκφραση και την πιστότητα για μεγαλύτερο περιεχόμενο.

Κείμενο, ομιλητής και γλώσσα

Είσοδος είναι το κείμενο προς εκφώνηση, με επιλεγμένη φωνή και προαιρετικές εκφραστικές οδηγίες σε SSML. Ο διαχειριζόμενος κατάλογος φωνών διακρίνει τον ομιλητή, την τοπική ρύθμιση και την έκδοση μοντέλου. Οι Harper και Grant είναι παραδείγματα ονομαστικά προσδιορισμένων ομιλητών με καταχωρίσεις ανά γλώσσα. Χρησιμοποιήστε το επιδιωκόμενο κείμενο στη γλώσσα προορισμού και επιλέξτε την κατάλληλη τοπική ρύθμιση· ένας έτοιμος αγγλικός χαιρετισμός και μια ισπανική εξήγηση είναι ξεχωριστά προφορικά αποσπάσματα, καθένα με τη δική του διατύπωση.

Η κάρτα μοντέλου τεκμηριώνει συνεπή ταυτότητα φωνής στις υποστηριζόμενες γλώσσες και πολλούς ομιλητές για διάλογο. Αυτό μπορεί να υποστηρίξει μια εφαρμογή που χρειάζεται έναν αναγνωρίσιμο αφηγητή σε τοπικά προσαρμοσμένες προτροπές ή έναν σύντομο διάλογο με διακριτούς ρόλους. Αντιστοιχίστε ρητά τις ατάκες στους προβλεπόμενους ομιλητές και διατηρήστε σταθερές αυτές τις αντιστοιχίσεις. Ο ήχος είναι η εκφωνημένη εκδοχή αυτού του κειμένου και όχι μια νέα απάντηση που συντίθεται από μια ανοιχτή ερώτηση.

Τόνος και ύφος ομιλίας

Η Microsoft τεκμηριώνει έλεγχο συναισθήματος και εκφοράς σε επίπεδο πρότασης και εναλλαγής μέσω SSML. Τα διαθέσιμα ύφη εξαρτώνται από την επιλεγμένη φωνή. Ο διαχειριζόμενος κατάλογος περιλαμβάνει ύφη εργασιών όπως narrator, educational και customer_call_center, μαζί με εκφραστικά ύφη για συγκεκριμένους ομιλητές. Για παράδειγμα, η καταχώριση US Harper περιλαμβάνει τα joyful και relieved. Επιλέξτε ύφος που υποστηρίζεται από τη φωνή, αντί να υποθέτετε ότι κάθε ομιλητής δέχεται το ίδιο σύνολο.

Μια πρακτική ατάκα υποστήριξης είναι: «Μπορώ να σας βοηθήσω να βρείτε το σωστό έγγραφο. Πείτε μου τον τίτλο του ή περιγράψτε το θέμα». Κρατήστε το αίτημα αρκετά σύντομο ώστε ο ακροατής να μπορεί να ενεργήσει και επιλέξτε ήρεμη ή ενθαρρυντική εκφορά κατάλληλη για την αλληλεπίδραση. Για μια μαθησιακή δραστηριότητα, γράψτε την εξήγηση και την επόμενη ερώτηση ως ξεχωριστές μονάδες ομιλίας. Η εκφραστικότητα υπηρετεί το νόημα όταν το κείμενο κάνει σαφή την αλλαγή πρόθεσης.

Συνεχής μετάδοση και παράδοση ήχου

Η κάρτα του μοντέλου Flash τεκμηριώνει συγκεκριμένα έξοδο με συνεχή μετάδοση για ζωντανό διάλογο, συμπεριλαμβανομένων ροών που χειρίζονται την περίπτωση όπου ο ακροατής μιλά ενώ ακούγεται μια απάντηση. Η εφαρμογή μπορεί να αναπαράγει τον ήχο καθώς καταφθάνει και να συντονίζει τη διακοπή και την επόμενη εναλλαγή. Αυτό καθιστά τον χρονισμό του προφορικού μηνύματος μέρος της αλληλεπίδρασης, χωρίς να απαιτεί κάθε απάντηση να προετοιμάζεται πρώτα ως πλήρης ηχογράφηση.

Ο κατασκευαστής επιτρέπει στη ροή σύνθεσης να ορίζει τη μορφή εξόδου. Το δημοσιευμένο παράδειγμά του παράγει μονοφωνικό αρχείο MP3 στα 24 kHz και 160 kbit/s. Πρόκειται για μία τεκμηριωμένη ρύθμιση εξόδου, όχι για σταθερό περιορισμό εγγενούς μορφής. Επιλέξτε αναπαράσταση ήχου που δέχεται η προβλεπόμενη διαδρομή αναπαραγωγής και διατηρήστε διαθέσιμα τον ομιλητή και την εκφωνούμενη διατύπωση για έλεγχο του αποτελέσματος.

Προαιρετική λειτουργία φωνής αναφοράς

Η λειτουργία προσαρμοσμένης φωνής της Microsoft μπορεί να ταιριάξει τη φωνή ενός ομιλητή που έχει συναινέσει, από απόσπασμα αναφοράς πέντε έως εξήντα δευτερολέπτων, χωρίς λεπτομερή προσαρμογή εκπαίδευσης. Η κάρτα μοντέλου συνιστά φυσική συνομιλιακή εκφορά με μέτρια ένταση, επειδή η αναφορά επηρεάζει την παραγόμενη ερμηνεία. Αυτή η λειτουργία έχει ξεχωριστή διαδικασία έγκρισης από τον κατασκευαστή και καταγεγραμμένης συναίνεσης· οι προκαθορισμένες φωνές της βιβλιοθήκης αποτελούν διακριτή διαδρομή προετοιμασίας.

Για μια αναφορά που προορίζεται να ορίσει τον αφηγητή μιας επωνυμίας, χρησιμοποιήστε καθαρό, αντιπροσωπευτικό απόσπασμα και αποφασίστε ποια εκφορά πρέπει να μεταφερθεί στο νέο κείμενο. Για προκαθορισμένη ομιλία, προετοιμάστε τα πραγματικά ονόματα, τις εντολές και τις φράσεις στη γλώσσα προορισμού που θα χρησιμοποιήσει η εφαρμογή. Ακούστε αυτά τα αποσπάσματα με την επιλεγμένη φωνή και επιθεωρήστε τη μετάβαση μεταξύ εναλλαγών. Το χρήσιμο αποτέλεσμα είναι εκφραστική προφορική αλληλεπίδραση με σκόπιμα επιλεγμένο ομιλητή, σαφές κείμενο και ήχο κατάλληλο για το περιβάλλον αναπαραγωγής του ακροατή.