Microsoft AI: MAI-Voice-2

Το MAI-Voice-2 της Microsoft AI παράγει εκφραστική πολύγλωσση ομιλία για αφήγηση, διάλογο και εφαρμογές με προφορική έξοδο. Η συνέπεια σε περιεχόμενο μεγάλης έκτασης, οι πολλοί ομιλητές και ο έλεγχος συναισθήματος σε επίπεδο γύρου ομιλίας υποστηρίζουν ηχητικά βιβλία, μαθήματα και φωνές χαρακτήρων.

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

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 είναι το μοντέλο μετατροπής κειμένου σε ομιλία της Microsoft AI που καθοδηγείται με προτροπές, για φυσικό, εκφραστικό προφορικό περιεχόμενο. Ο κατασκευαστής του τονίζει την ακουστική πιστότητα, τη συνέπεια του ομιλητή και το συναισθηματικό εύρος. Οι τεκμηριωμένες εργασίες περιλαμβάνουν βοηθούς, ηχητικά βιβλία, podcast, διαλέξεις, εκπαιδευτικούς χαρακτήρες και αφήγηση για προσβασιμότητα. Το κείμενο εκφώνησης γίνεται ήχος με μια επιλεγμένη φωνή· η παραλλαγή Voice-2-Flash έχει το δικό της προφίλ για αλληλεπιδράσεις όπου προτεραιότητα είναι η άμεση απόκριση.

Γλώσσα και ομιλητής

Η δημοσίευση Voice-2 της Microsoft περιγράφει δεκαπέντε γλώσσες, συμπεριλαμβανομένων των αγγλικών, γαλλικών, γερμανικών, ιταλικών, ισπανικών, πορτογαλικών, χίντι, κορεατικών, απλοποιημένων κινεζικών, τουρκικών, ρωσικών, ταϊλανδικών, ολλανδικών, ρουμανικών και ουγγρικών. Ορισμένες γλώσσες έχουν ξεχωριστές τοπικές παραλλαγές. Η δημοσίευση περιγράφει επίσης εναλλαγή μεταξύ χίντι και αγγλικών και μεταξύ ισπανικών και αγγλικών, ώστε επιλεγμένα αποσπάσματα με ανάμεικτες γλώσσες να διατηρούν τον τρόπο με τον οποίο ένας ομιλητής εναλλάσσει φυσικά τις γλώσσες.

Προετοιμάστε τις πραγματικές λέξεις που πρέπει να εκφωνηθούν και διατηρήστε την επιθυμητή γλώσσα τους. Ένα δίγλωσσο εκπαιδευτικό απόσπασμα μπορεί να εισάγει έναν όρο σε μία γλώσσα και να τον εξηγεί σε άλλη, κρατώντας ανέπαφα τα ονόματα και τα παραθέματα. Το προφορικό αποτέλεσμα πρέπει να ελέγχεται με βάση την προφορά και το κοινό που απαιτεί το έργο, αντί να αντιμετωπίζεται κάθε τοπική παραλλαγή ως εναλλάξιμη.

Η κάρτα μοντέλου παρέχει επιμελημένη βιβλιοθήκη φωνών και ξεχωριστή διαδρομή προτροπών μέσω φωνής αναφοράς. Η ομιλία αναφοράς παρέχει την επιθυμητή ταυτότητα ομιλητή χωρίς λεπτομερή προσαρμογή του μοντέλου. Η Microsoft συνιστά φυσική συνομιλιακή εκφορά με μέτρια ενέργεια, επειδή η ηχογράφηση επηρεάζει τον ρυθμό και την εκφορά. Χρησιμοποιήστε αντιπροσωπευτική ηχογράφηση της οποίας ο ομιλητής έχει δώσει συγκατάθεση όταν η εργασία απαιτεί προσαρμοσμένη φωνή.

Μεγαλύτερη αφήγηση και διάλογος

Η κάρτα μοντέλου τεκμηριώνει παραγωγή περιεχομένου μεγάλης έκτασης με χωρισμό σε τμήματα και μεταφορά συμφραζομένου. Αυτό υποστηρίζει συνδεδεμένη αφήγηση, όπως ένα κεφάλαιο, ένα μάθημα ή μια ακολουθία αποσπασμάτων podcast. Χωρίστε το κείμενο σε νοηματικά κατάλληλα όρια ενοτήτων και διατηρήστε συνεπείς την ορολογία και την επιλογή ομιλητή. Μια μεγάλη εξήγηση ωφελείται από προφορικές μεταβάσεις που ενημερώνουν τον ακροατή πότε αλλάζει το θέμα.

Η υποστήριξη πολλών ομιλητών επιτρέπει διακριτούς ρόλους σε έναν προετοιμασμένο διάλογο. Αναθέστε την ερώτηση και την απάντηση στους επιθυμητούς ομιλητές και διατηρήστε αυτές τις αναθέσεις όταν ένας ρόλος επανέρχεται. Η είσοδος πρέπει να περιέχει τις τελικές φράσεις και τις σχετικές οδηγίες ερμηνείας και όχι ένα ανοικτό αίτημα που ζητά από τον συνθέτη ομιλίας να επινοήσει τη συνομιλία.

Ύφος και συναισθηματική εκφορά

Η Microsoft τεκμηριώνει λεπτομερή έλεγχο ύφους, εκφοράς και συναισθήματος σε επίπεδο γύρου ομιλίας. Τα παραδείγματα της δημοσίευσής της επιδεικνύουν εκφραστικούς προφορικούς ρόλους και συναισθηματικά αποσπάσματα. Για μια αφήγηση, καθορίστε ποια πρόταση είναι πραγματολογική, στοχαστική ή ενθουσιώδης και έπειτα εφαρμόστε εκφορά που ακολουθεί αυτό το νόημα. Μια πρακτική φράση είναι: «Το πιο ήσυχο μέρος του πειράματος αποδείχθηκε το πιο αποκαλυπτικό. Εκεί έγινε για πρώτη φορά σαφές το μοτίβο.» Η διατύπωση δίνει στην εκτέλεση μια σκόπιμη αλλαγή έμφασης.

Για ένα εκπαιδευτικό voice-over, κρατήστε σαφή την ενέργεια και την εξήγηση σε ξεχωριστή πρόταση. Για διάλογο, διακρίνετε τις λέξεις που εκφωνεί ένας χαρακτήρας από τις σημειώσεις σκηνής. Ακούστε τα επαναλαμβανόμενα ονόματα και τις μεταβάσεις μεταξύ αποσπασμάτων, ώστε η τελική ακολουθία να παραμένει συνεκτική.

Χρησιμοποιήστε τον ήχο

Η έξοδος είναι νέα παραγόμενη ομιλία για το παρεχόμενο κείμενο εκφώνησης. Η χρήσιμη μορφή της είναι αφήγηση, διάλογος ή προφορική απάντηση εφαρμογής της οποίας η φωνή και η εκφορά ακολουθούν το κείμενο. Διατηρήστε το κείμενο, τον ομιλητή και τη σειρά ενοτήτων συνδεδεμένα με την ηχογράφηση, ώστε μια διόρθωση να αλλάζει το επιθυμητό απόσπασμα χωρίς να χάνεται η υπόλοιπη εκτέλεση.

Το MAI-Voice-2 δίνει έμφαση στη φυσικότητα και την έκφραση σε μια παρατεταμένη εμπειρία ακρόασης. Η δυνατότητα περιεχομένου μεγάλης έκτασης δεν ορίζει απεριόριστη είσοδο ή εγγυημένη μέγιστη διάρκεια ηχογράφησης. Η ακριβής περιγραφή του Voice-2 παραμένει ξεχωριστή από τον διευρυμένο κατάλογο γλωσσών και τις ρυθμίσεις φωνής των μεταγενέστερων εκδόσεων Voice-2.1.

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

microsoft/mai-voice-2

Microsoft AI /microsoft/mai-voice-2

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	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 $0.044 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

Τιμές ανά διαμόρφωση

Διαμόρφωση	Συνθήκες χρέωσης	Χρέωση
ΔιαμόρφωσηMicrosoft AI: MAI-Voice-2 · Προεπιλεγμένη διαμόρφωση	Συνθήκες χρέωσηςΠροεπιλεγμένη διαμόρφωση	Χρέωση Είσοδος · Χαρακτήρες εισόδου 0,000044 $ 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", "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

Εναλλακτικές διαδρομές μεθόδων

Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.

Σχετικά ID μοντέλων

microsoft/mai-voice-2

FAQ · Microsoft AI: MAI-Voice-2

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

Microsoft AI: MAI-Voice-2