Microsoft AI: MAI-Voice-2

MAI-Voice-2 es el modelo de conversión de texto a voz mediante indicaciones de Microsoft AI para contenido hablado natural y expresivo. Su fabricante destaca la fidelidad acústica, la coherencia del hablante y el rango emocional. Las tareas documentadas incluyen asistentes, audiolibros, pódcasts, conferencias, personajes educativos y narración para accesibilidad. El texto se convierte en audio con una voz elegida; la variante Voice-2-Flash tiene su propio perfil para interacciones en las que la respuesta inmediata es prioritaria.

Idioma y hablante

La publicación de Voice-2 de Microsoft describe quince idiomas: inglés, francés, alemán, italiano, español, portugués, hindi, coreano, chino simplificado, turco, ruso, tailandés, neerlandés, rumano y húngaro. Algunos idiomas tienen variantes regionales diferenciadas. La publicación también describe la alternancia entre hindi e inglés y entre español e inglés, de modo que determinados pasajes con varios idiomas pueden conservar la forma en que un hablante alterna las lenguas con naturalidad.

Prepara las palabras reales que deben pronunciarse y conserva el idioma previsto de cada una. Un pasaje educativo bilingüe puede introducir un término en un idioma y explicarlo en otro, manteniendo intactos los nombres y las citas. El resultado hablado debe comprobarse teniendo en cuenta el acento y el público que necesita la pieza, en lugar de tratar todas las variantes regionales como intercambiables.

La ficha del modelo ofrece una biblioteca de voces seleccionadas y una vía independiente de indicaciones mediante voz de referencia. El habla de referencia aporta la identidad de hablante deseada sin ajuste fino. Microsoft recomienda una interpretación conversacional natural con energía moderada, porque la grabación afecta al ritmo y a la interpretación. Utiliza una grabación representativa cuyo hablante haya dado su consentimiento cuando la tarea requiera una voz personalizada.

Narraciones más largas y diálogo

La ficha del modelo documenta la generación de contenido largo mediante segmentación con transferencia de contexto. Esto permite narraciones conectadas, como un capítulo, una lección o una secuencia de pasajes de pódcast. Divide el guion en límites de sección con sentido y mantén coherentes la terminología y la elección del hablante. Una explicación larga se beneficia de transiciones habladas que indiquen al público cuándo cambia el tema.

El soporte para varios hablantes permite papeles diferenciados en un diálogo preparado. Asigna la pregunta y la respuesta a los hablantes previstos y conserva esas asignaciones cuando reaparece un papel. La entrada debe contener las intervenciones definitivas y las instrucciones de interpretación pertinentes, en lugar de una petición abierta para que el sintetizador de voz invente la conversación.

Tono e interpretación emocional

Microsoft documenta un control detallado del tono, la interpretación y la emoción por turno de habla. Sus ejemplos de publicación muestran papeles hablados expresivos y pasajes emocionales. Para una narración, determina qué frase es factual, reflexiva o entusiasta y aplica después una interpretación que siga ese significado. Una frase práctica es: «La parte más silenciosa del experimento resultó ser la más reveladora. Fue allí donde el patrón empezó a verse con claridad». La formulación da a la interpretación un cambio de énfasis intencionado.

Para una locución de instrucciones, mantén clara la acción y deja la explicación en una frase aparte. En un diálogo, distingue las palabras que pronuncia un personaje de las notas de escena. Escucha los nombres repetidos y las transiciones entre pasajes para que la secuencia final siga siendo coherente.

Utilizar el audio

La salida es voz recién generada para el texto proporcionado. Su forma útil es una narración, un diálogo o una respuesta hablada de aplicación cuya voz e interpretación siguen el guion. Mantén asociados a la grabación el texto, el hablante y el orden de las secciones, para que una corrección cambie el pasaje previsto sin perder el resto de la interpretación.

MAI-Voice-2 se centra en la naturalidad y la expresión en una experiencia de escucha prolongada. Su capacidad para contenido largo no define una entrada ilimitada ni una duración máxima de grabación garantizada. La descripción exacta de Voice-2 sigue siendo independiente del catálogo de idiomas ampliado y las opciones de voz de las ediciones posteriores Voice-2.1.