Microsoft AI: MAI-Voice-2.1-Flash

MAI-Voice-2.1-Flash es el modelo de conversión de texto a voz mediante instrucciones de Microsoft AI, diseñado para una interacción hablada con respuesta rápida. Su 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 sobre el tono y la interpretación. Flash es la versión orientada a la respuesta en directo; MAI-Voice-2.1, con un nombre independiente, da prioridad a la expresión detallada y la fidelidad en contenido más largo.

Texto, hablante e idioma

La entrada es el guion que se va a pronunciar, con una voz seleccionada e instrucciones expresivas opcionales en SSML. El catálogo de voces gestionadas distingue el hablante, la configuración regional y la versión del modelo. Harper y Grant son ejemplos de hablantes con nombre y entradas específicas por idioma. Utilice el texto previsto en el idioma de destino y seleccione su configuración regional adecuada; un saludo preparado en inglés y una explicación en español son pasajes hablados independientes, cada uno con su propia redacción.

La ficha del modelo documenta una identidad de voz coherente entre los idiomas compatibles y varios hablantes para diálogos. Esto puede servir a una aplicación que necesite un narrador reconocible en mensajes localizados o un diálogo breve con papeles distintos. Asigne explícitamente las frases a los hablantes previstos y mantenga esas asignaciones estables. El audio es la versión hablada de ese guion, en lugar de una respuesta nueva compuesta a partir de una pregunta abierta.

Tono y estilo de habla

Microsoft documenta el control de la emoción y la interpretación por oración y por turno mediante SSML. Los estilos disponibles dependen de la voz seleccionada. El catálogo gestionado 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. Elija un estilo compatible con la voz, en lugar de asumir que todos los hablantes aceptan el mismo conjunto.

Una frase práctica de asistencia es: «Puedo ayudarte a encontrar el documento adecuado. Dime su título o describe el tema». Mantenga la petición lo bastante breve para que un oyente pueda actuar y elija una interpretación calmada o alentadora adecuada para la interacción. Para una actividad de aprendizaje, escriba la explicación y la siguiente pregunta como unidades habladas independientes. La expresividad sirve al significado cuando el guion deja claro el cambio de intención.

Streaming y entrega de audio

La ficha del modelo Flash documenta específicamente salida en streaming para diálogos en directo, incluidos flujos que gestionan que el oyente hable mientras se reproduce una respuesta. La aplicación puede reproducir el audio a medida que llega y coordinar la interrupción y el siguiente turno. Así, el momento de emisión del mensaje hablado forma parte de la interacción, en lugar de exigir que todas las respuestas se preparen primero como grabaciones completas.

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

Modo opcional de voz de referencia

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

Para una referencia destinada a definir un narrador de marca, utilice un pasaje limpio y representativo y decida qué interpretación debe trasladarse al nuevo guion. Para voz predefinida, prepare los nombres, los comandos y las frases reales en el idioma de destino que utilizará la aplicación. Escuche esos pasajes con la voz seleccionada y revise la transición entre turnos. El resultado útil es una interacción hablada expresiva con un hablante elegido de forma intencionada, texto claro y audio adecuado para el entorno de reproducción del oyente.