Microsoft AI: MAI-Voice-2-Flash

Το MAI-Voice-2-Flash της Microsoft AI παράγει εκφραστική ομιλία σε 15 γλώσσες για βοηθούς, υποστήριξη πελατών και προφορικά μενού. Συνδυάζει γρήγορη απόκριση με μια επιμελημένη βιβλιοθήκη φωνών, προτροπές μέσω φωνής αναφοράς και έλεγχο ύφους σε επίπεδο γύρου ομιλίας.

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

Σχετικά με το μοντέλο

Αυτή η περιγραφή καλύπτει τις δυνατότητες του μοντέλου. Οι είσοδοι, έξοδοι και επιλογές που διατίθενται στο Ailoot παρατίθενται παρακάτω για την επιλεγμένη μέθοδο.

Το MAI-Voice-2-Flash είναι το μοντέλο μετατροπής κειμένου σε ομιλία της Microsoft AI, σχεδιασμένο για εμπειρίες φωνής με γρήγορη απόκριση και μεγάλο όγκο χρήσης. Ο κατασκευαστής περιγράφει φυσική προσωδία, καθαρό ήχο και εκφραστική εκφορά, με βοηθούς, πράκτορες υποστήριξης πελατών και τηλεφωνικά μενού μεταξύ των κύριων εργασιών του. Το γραπτό κείμενο εκφώνησης γίνεται προφορικός ήχος με την επιλεγμένη φωνή. Το Flash είναι συγκεκριμένη παραλλαγή του MAI-Voice-2, διαφορετική από τη μεταγενέστερη οικογένεια MAI-Voice-2.1.

Επιλογή γλώσσας και φωνής

Η κάρτα αυτού του συγκεκριμένου μοντέλου τεκμηριώνει δεκαπέντε γλώσσες και δεκαοκτώ τοπικές παραλλαγές. Καλύπτουν αγγλικά, ιταλικά, ισπανικά, χίντι, γαλλικά, γερμανικά, πορτογαλικά, κορεατικά, απλοποιημένα κινεζικά, τουρκικά, ρωσικά, ταϊλανδικά, ολλανδικά, ρουμανικά και ουγγρικά, με ξεχωριστές περιφερειακές παραλλαγές για ορισμένες γλώσσες. Επιλέξτε την επιθυμητή γλώσσα και προετοιμάστε την πραγματική διατύπωση που πρέπει να ακούσει ο ακροατής. Η διάκριση τοπικής παραλλαγής μπορεί να έχει σημασία για έναν χαιρετισμό, ένα όνομα προϊόντος ή μια προφορά οικεία στο κοινό.

Η Microsoft τεκμηριώνει δύο διαδρομές επιλογής φωνής: μια επιμελημένη βιβλιοθήκη και προτροπές φωνής από σύντομη ηχογράφηση. Η βιβλιοθήκη παρέχει έναν υπάρχοντα ομιλητή για αφήγηση ή αλληλεπίδραση. Μια ηχογράφηση αναφοράς ορίζει διαφορετική ταυτότητα ομιλητή μέσω της ροής προσαρμοσμένης φωνής του κατασκευαστή. Διατηρήστε συνεπή την επιλογή ομιλητή μεταξύ σχετικών μηνυμάτων, ώστε το αρχικό μήνυμα, η εξήγηση και η συνέχεια να ακούγονται ως μέρη μίας εμπειρίας.

Ύφος για διαδραστική ομιλία

Το μοντέλο υποστηρίζει έλεγχο ύφους, εκφοράς και συναισθήματος σε επίπεδο γύρου ομιλίας. Για έναν προφορικό βοηθό, γράψτε μια συνοπτική πρώτη οδηγία και έπειτα τη λεπτομέρεια που χρειάζεται ο ακροατής. Μια πρακτική φράση είναι: «Choose the document you want to open. If you are unsure of its title, tell me what it is about.» Το κείμενο δίνει στον ακροατή μια σαφή ενέργεια, αφήνοντας παράλληλα χώρο για επόμενη ερώτηση.

Για μια εκπαιδευτική συνομιλία, χωρίστε την εξήγηση από την ερώτηση στην οποία πρέπει να απαντήσει ο εκπαιδευόμενος. Για ένα μενού, διατηρήστε σύντομα τα ονόματα επιλογών και χρησιμοποιήστε διατύπωση που παραμένει σαφής όταν ακούγεται μία φορά. Το ύφος πρέπει να ακολουθεί τον σκοπό του αποσπάσματος: μια καθησυχαστική φράση, μια οδηγία και μια ερώτηση μπορεί να χρειάζονται διαφορετική εκφορά, διατηρώντας την ίδια φωνή.

Προετοιμασία φωνής αναφοράς

Ο κατασκευαστής ορίζει ηχογράφηση πέντε έως εξήντα δευτερολέπτων για τις προτροπές φωνής και περιγράφει την αναπαραγωγή της φωνής του ομιλητή που έχει δώσει συγκατάθεση χωρίς πρόσθετη εκπαίδευση. Συνιστά φυσική συνομιλιακή εκφορά με μέτρια ενέργεια, επειδή η αναφορά επηρεάζει ουσιαστικά το αποτέλεσμα. Προετοιμάστε μια ηχογράφηση που αντιπροσωπεύει τη φωνή που θέλετε να χρησιμοποιήσετε και όχι μια εκτέλεση με άσχετες ακραίες μεταβολές έντασης ή έκφρασης.

Αυτή η λειτουργία τεκμηριώνεται για εξουσιοδοτημένη φωνή της οποίας ο ομιλητής έχει δώσει συγκατάθεση. Η ροή του κατασκευαστή και η βιβλιοθήκη προκαθορισμένων φωνών είναι ξεχωριστές διαδρομές προετοιμασίας. Η έξοδος παραμένει νέα συνθετική ομιλία από το παρεχόμενο κείμενο εκφώνησης· η ηχογράφηση παρέχει την επιθυμητή ταυτότητα ομιλητή.

Εργασία με το προφορικό αποτέλεσμα

Χρησιμοποιήστε το Flash για αλληλεπίδραση όπου η απάντηση πρέπει να παρέχεται γρήγορα και να παραμένει εύκολη στην κατανόηση. Ο κατασκευαστής τοποθετεί αυτή την παραλλαγή με επίκεντρο τη γρήγορη απόκριση, διατηρώντας την προσωδία και την ακουστική ποιότητα της σειράς MAI-Voice-2. Κρατήστε κάθε γύρο ομιλίας συνδεδεμένο με το κείμενο και τον ομιλητή του, ώστε σημαντικά ονόματα, εντολές και συναισθηματικές μεταβολές να μπορούν να ελεγχθούν μέσα στο συμφραζόμενό τους.

Ένα χρήσιμο αποτέλεσμα είναι ένα σαφές προφορικό μήνυμα ή μια σαφής απάντηση στην απαιτούμενη γλώσσα και φωνή. Ακούστε τη διατύπωση όπως θα την ακούσει το κοινό, ιδίως σε μια ακολουθία μηνυμάτων. Η προδιαγραφή δεκαπέντε γλωσσών και δεκαοκτώ τοπικών παραλλαγών αυτού του μοντέλου ανήκει στην ακριβή έκδοση Voice-2-Flash· ο διευρυμένος κατάλογος γλωσσών και οι λεπτομέρειες διαχειριζόμενων φωνών μεταγενέστερων εκδόσεων ανήκουν στα δικά τους προφίλ.

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

microsoft/mai-voice-2-flash

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

Εισαγωγή

Αποδεκτές είσοδοι: Κείμενο
Αποτελέσματα: Ήχος

Διαθέσιμα στο Ailoot · είσοδοι και μέθοδοι

Ailoot Ultra · Σύνθεση ομιλίας POST /v1/audio/speech

Είσοδος: text
Έξοδος: audio
Μορφή εξόδου: mp3

Πεδίο	Τύπος	Απαίτηση	Τιμές και όρια	Προεπιλογή
Πεδίο`model`	Τύπος`string`	ΑπαίτησηΥποχρεωτικό	Τιμές και όρια microsoft/mai-voice-2-flash	Προεπιλογή—
Πεδίο`input`	Τύπος`string`	ΑπαίτησηΥποχρεωτικό	Τιμές και όρια Ελάχιστο μήκος: 1 Μονάδα: χαρακτήρες Unicode	Προεπιλογή—
Πεδίο`voice`	Τύπος`string`	ΑπαίτησηΥποχρεωτικό	Τιμές και όρια en-US-Harper:MAI-Voice-2, es-MX-Valeria:MAI-Voice-2, fr-FR-Soleil:MAI-Voice-2, de-DE-Klaus:MAI-Voice-2	Προεπιλογή—
Πεδίο`response_format`	Τύπος`string`	ΑπαίτησηΥποχρεωτικό	Τιμές και όρια mp3	Προεπιλογή—

Συνδυασμοί υλικών εισόδου

text_to_speech · Υποχρεωτικό: input

Παράμετροι και κύκλος ζωής μεθόδου

Παράμετρος	Σύμβαση
Παράμετρος`content_type`	Σύμβασηapplication/json
Παράμετρος`required`	Σύμβασηmodel, input, voice, response_format
Παράμετρος`voice_ids`	Σύμβασηen-US-Harper:MAI-Voice-2, es-MX-Valeria:MAI-Voice-2, fr-FR-Soleil:MAI-Voice-2, de-DE-Klaus:MAI-Voice-2
Παράμετρος`response_format`	Σύμβασηmp3
Παράμετρος`max_input_characters`	Σύμβασηnull
Παράμετρος`other_options`	Σύμβασηfalse
Παράμετρος`input`	Σύμβασηακριβές κείμενο UTF-8· πλήθος χαρακτήρων Unicode χωρίς κανονικοποίηση
Παράμετρος`material_types`	Σύμβασηtext

Κύκλος ζωής: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · Το πραγματικό task_id που επιστράφηκε ή μια εγγραφή στη βιβλιοθήκη πολυμέσων

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Επιλέξτε την ακριβή φωνή από αυτό το προφίλ μοντέλου.

Οι χαρακτήρες εισόδου και τα δευτερόλεπτα ήχου αποτελούν διαφορετικές μονάδες μέτρησης.

Τιμολόγηση

Οι τιμολογιακές αναφορές δεν προσθέτουν επιλογές αιτήματος. Οι υποστηριζόμενες παράμετροι αναφέρονται στην επιλεγμένη μέθοδο.

Γρήγορη λειτουργία: Δεν έχει οριστεί Όταν επιλέγεται η γρήγορη λειτουργία
Λειτουργία flex: Δεν έχει οριστεί Όταν επιλέγεται η λειτουργία flex
Μέγιστη προσπάθεια συλλογισμού: Δεν έχει οριστεί Όταν η μέγιστη προσπάθεια συλλογισμού χρησιμοποιεί την προσαρμογή default

Χρεώσεις Ailoot

Τιμές ανά διαμόρφωση

Αντιστοιχίστε κάθε χρέωση στις συνθήκες που εμφανίζονται. Χρησιμοποιήστε μία χρέωση ανά σύνολο εναλλακτικών διαμορφώσεων.

Διαμόρφωση	Πίνακας χρεώσεων	Χρεώσιμη ποσότητα	Μονάδα τιμολόγησης	Χρέωση
ΔιαμόρφωσηΒασικές χρεώσεις token	Πίνακας χρεώσεωνΒασική χρέωση	Χρεώσιμη ποσότητα—	Μονάδα τιμολόγησης—	Χρέωση Είσοδος · Token εισόδου — / 1K token Έξοδος · Token εξόδου — / 1K token Είσοδος · Ανάγνωση από την κρυφή μνήμη — / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη — / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη, 1 ώρα — / 1K token
ΔιαμόρφωσηUltra	Πίνακας χρεώσεων—	Χρεώσιμη ποσότηταΚάθε σημείο κώδικα Unicode μετρά ως ένας χαρακτήρας, συμπεριλαμβανομένων των χαρακτήρων Han.	Μονάδα τιμολόγησηςανά 1K χαρακτήρες εισόδου	Χρέωση Είσοδος · χαρακτήρας εισόδου $0.03 ανά 1K χαρακτήρες εισόδου

Στοιχεία τιμοκαταλόγου αναφοράς

Οι πίνακες αναφοράς του μοντέλου δεν αλλάζουν την επιλογή μεθόδου, τις εκτιμήσεις τιμής ή τις χρεώσεις. Οι εφαρμοζόμενες χρεώσεις χρησιμοποιούν τις τιμές της επιλεγμένης μεθόδου Ailoot.

Microsoft AI: MAI-Voice-2-Flash

Τιμές ανά διαμόρφωση

Διαμόρφωση	Συνθήκες χρέωσης	Χρέωση
ΔιαμόρφωσηMicrosoft AI: MAI-Voice-2-Flash · Προεπιλεγμένη διαμόρφωση	Συνθήκες χρέωσηςΠροεπιλεγμένη διαμόρφωση	Χρέωση Είσοδος · Χαρακτήρες εισόδου 0,00003 $ ανά χαρακτήρα εισόδου

Το Ailoot δεσμεύει ένα εκτιμώμενο ποσό πριν από το αίτημα. Μετά το αποτέλεσμα, εκκαθαρίζει την τελική χρέωση βάσει της μετρημένης χρήσης. Η εκκαθάριση ροής χρησιμοποιεί την τελική καταγραφή χρήσης. Πώς λειτουργούν η δέσμευση και η εκκαθάριση →

Παραδείγματα αιτημάτων

Ailoot Ultra · Σύνθεση ομιλίας

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

Λήψη και αποθήκευση αποτελεσμάτων

Ailoot Ultra · Σύνθεση ομιλίας

mp3

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

Άλλες ανακτήσεις περιεχομένου

Βιβλιοθήκη πολυμέσωνΚατάσταση εργασίαςΣτοιχεία αρχείου

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

Διατηρήστε όλα τα ολοκληρωμένα αποτελέσματα

Διατηρήστε κάθε πλήρη απάντηση, αρχείο και τμήμα περιεχομένου που επιστρέφεται.

Διατηρήστε ολόκληρο το δυαδικό αποτέλεσμα και τις κεφαλίδες. Αν επιστραφεί JSON ή επιστραφούν πολλαπλές έξοδοι, διατηρήστε κάθε στοιχείο δεδομένων και ανακτήστε κάθε πραγματικό υπογεγραμμένο URL πόρου.

Αν χρειάζεται έλεγχος της αρχικής απάντησης

Διατηρήστε το αρχικό operation_id/X-Client-Request-ID για τη συμφωνία των εγγραφών χωρίς νέα υποβολή· δεν υπάρχει ειδική διαδρομή περιοδικού ελέγχου για τον ήχο.

Πεδία απάντησης

Πεδίο	Τύπος
Πεδίο`binary audio`	Τύποςbytes
Πεδίο`response headers`	Τύποςheaders

Σφάλματα και επόμενα βήματα

Απάντηση	Συνθήκη	Επόμενο βήμα
Απάντηση400 · `invalid_request_error`	ΣυνθήκηΜη έγκυρα υποχρεωτικά πεδία, μη έγκυρη αναπαράσταση υλικού ή μη έγκυρη τιμή παραμέτρου	Επόμενο βήμαΔιορθώστε τα υποδεικνυόμενα πεδία πριν από νέο αίτημα δημιουργίας.
Απάντηση`server_error`	ΣυνθήκηΗ απόκριση που επιστράφηκε αναφέρει ότι η λειτουργία ή το αποτέλεσμα χρειάζεται έλεγχο	Επόμενο βήμαΔιατηρήστε το αρχικό ID της λειτουργίας/εργασίας που επιστράφηκε, τις κεφαλίδες του αιτήματος και την απόκριση· συνεχίστε με τις υποστηριζόμενες αναγνώσεις αυτής της αρχικής λειτουργίας. Μην υποβάλετε ξανά το αίτημα δημιουργίας.

Εναλλακτικά ονόματα

Εναλλακτικά ονόματα μοντέλου

Ailoot Ultra microsoft/mai-voice-2-flash

Εναλλακτικές διαδρομές μεθόδων

Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.

Σχετικά ID μοντέλων

microsoft/mai-voice-2-flash

FAQ · Microsoft AI: MAI-Voice-2-Flash

Ποιες είσοδοι και αποτελέσματα διατίθενται;: POST /v1/audio/speech · microsoft/mai-voice-2-flash: text → audio
Ποια πεδία χρησιμοποιεί το αίτημα;: POST /v1/audio/speech · microsoft/mai-voice-2-flash: model, input, voice, response_format

Microsoft AI: MAI-Voice-2-Flash