Microsoft AI: MAI-Voice-2.1-Flash

MAI-Voice-2.1-Flash es el modelo de texto a voz guiado por instrucciones de Microsoft AI, diseñado para interacción hablada con respuesta rápida. El fabricante lo orienta a asistentes de voz, conversaciones de atención al cliente y menús telefónicos. Genera voz natural y expresiva en veintitrés idiomas, con control de tono e interpretación. Flash es la versión orientada a respuesta en vivo; la versión independiente MAI-Voice-2.1 prioriza expresión detallada y fidelidad para contenido más largo.

Texto, hablante e idioma

La entrada es el texto que debe pronunciarse, con una voz elegida e instrucciones expresivas opcionales en SSML. El catálogo administrado distingue hablante, variante regional y versión del modelo. Harper y Grant son ejemplos de hablantes con entradas específicas por idioma. Usa el texto en el idioma de destino previsto y selecciona la variante adecuada; un saludo preparado en inglés y una explicación en español son pasajes separados, cada uno con su propia redacción.

La ficha documenta identidad de voz constante entre idiomas compatibles y varios hablantes para diálogo. Esto puede servir a una aplicación que necesite un narrador reconocible en mensajes localizados o un diálogo breve con roles distintos. Asigna explícitamente las líneas a los hablantes previstos y mantén estables esas asignaciones. El audio es la versión hablada de ese guion, no una respuesta nueva compuesta a partir de una pregunta abierta.

Tono y estilo al hablar

Microsoft documenta control de emoción e interpretación por oración y turno mediante SSML. Los estilos disponibles dependen de la voz elegida. El catálogo administrado incluye estilos de tarea como narrator, educational y customer_call_center, además de estilos expresivos para hablantes concretos. Por ejemplo, la entrada de Harper de EE. UU. incluye joyful y relieved. Elige un estilo compatible con la voz en vez de suponer que todos los hablantes aceptan el mismo conjunto.

Una frase práctica de soporte es: «Puedo ayudarte a encontrar el documento correcto. Dime su título o describe el tema». Mantén la solicitud lo bastante breve para que la persona pueda actuar y elige una interpretación tranquila o alentadora adecuada a la interacción. Para una actividad educativa, escribe la explicación y la siguiente pregunta como unidades habladas separadas. La expresividad apoya el significado cuando el guion deja claro el cambio de intención.

Streaming y entrega de audio

La ficha de Flash documenta específicamente salida en streaming para diálogo en vivo, incluidos flujos que gestionan que una persona hable mientras se reproduce una respuesta. La aplicación puede reproducir el audio conforme llega y coordinar la interrupción y el siguiente turno. Así, el momento del mensaje hablado forma parte de la interacción, sin exigir que primero se prepare cada respuesta como grabación completa.

El fabricante permite especificar el formato de salida en el flujo de síntesis. Su ejemplo publicado produce un archivo MP3 mono de 24 kHz y 160 kbit/s. Es una configuración documentada, no una restricción fija de formato nativo. Elige una representación que acepte la vía de reproducción prevista y conserva el hablante y la redacción para revisar el resultado.

Modo opcional con voz de referencia

El modo de voz personalizada de Microsoft puede reproducir la voz de una persona que haya dado su consentimiento a partir de un clip de referencia de cinco a sesenta segundos, sin ajuste fino. La ficha recomienda una interpretación conversacional natural de energía moderada porque la referencia influye en la interpretación generada. Este modo tiene un proceso independiente de aprobación del fabricante y consentimiento grabado; las voces predefinidas de biblioteca siguen una preparación distinta.

Para una referencia destinada a definir al narrador de una marca, usa un pasaje limpio y representativo y decide qué interpretación debe trasladarse al nuevo guion. Para voz predefinida, prepara los nombres, comandos y frases reales en el idioma de destino que usará la aplicación. Escúchalos con la voz elegida y revisa las transiciones entre turnos. El resultado útil es una interacción hablada expresiva con un hablante deliberadamente elegido, texto claro y audio adecuado al entorno de reproducción de quien escucha.