Microsoft AI: MAI-Voice-2.1-Flash

MAI-Voice-2.1-Flash est le modèle de synthèse vocale guidée par prompt de Microsoft AI conçu autour des interactions parlées réactives. Son fabricant le positionne pour les assistants vocaux, les conversations de service client et les menus téléphoniques. Il génère une parole naturelle et expressive dans vingt-trois langues, avec un contrôle du ton et de l’interprétation. Flash est la version orientée vers la réponse en direct ; MAI-Voice-2.1, nommé séparément, privilégie une expression détaillée et la fidélité pour les contenus plus longs.

Texte, locuteur et langue

L’entrée est le texte à prononcer, avec une voix choisie et des instructions expressives facultatives en SSML. Le catalogue géré de voix distingue le locuteur, la variante locale et la version du modèle. Harper et Grant sont des exemples de locuteurs nommés avec des entrées propres aux langues. Utilisez le texte dans la langue cible visée et choisissez sa variante locale appropriée ; une salutation préparée en anglais et une explication espagnole sont des passages parlés distincts, chacun avec sa propre formulation.

La fiche du modèle documente une identité vocale cohérente entre les langues prises en charge et plusieurs locuteurs pour le dialogue. Cela peut servir à une application nécessitant un narrateur reconnaissable dans des messages localisés ou un court dialogue aux rôles distincts. Attribuez explicitement les phrases aux locuteurs visés et gardez ces attributions stables. L’audio est la version parlée de ce script, plutôt qu’une nouvelle réponse composée à partir d’une question ouverte.

Ton et style de parole

Microsoft documente le contrôle de l’émotion et de l’interprétation au niveau des phrases et des tours au moyen de SSML. Les styles disponibles dépendent de la voix choisie. Le catalogue géré comprend des styles de tâches tels que narrator, educational et customer_call_center, ainsi que des styles expressifs pour des locuteurs particuliers. Par exemple, l’entrée américaine de Harper comprend joyful et relieved. Choisissez un style pris en charge par la voix, plutôt que de supposer que tous les locuteurs acceptent le même ensemble.

Une phrase concrète d’assistance est : « Je peux vous aider à trouver le bon document. Donnez-moi son titre ou décrivez le sujet. » Gardez la demande assez courte pour que l’auditeur puisse agir et choisissez une interprétation calme ou encourageante adaptée à l’interaction. Pour une activité pédagogique, rédigez l’explication et la question suivante comme des unités parlées distinctes. L’expressivité sert le sens lorsque le script rend clair le changement d’intention.

Streaming et fourniture de l’audio

La fiche du modèle Flash documente spécifiquement une sortie en streaming pour le dialogue en direct, y compris des processus gérant un auditeur qui parle pendant une réponse. L’application peut lire l’audio à mesure de son arrivée et coordonner l’interruption et le tour suivant. Cela fait de la temporalité du message parlé une partie de l’interaction, plutôt que d’exiger la préparation préalable de chaque réponse comme un enregistrement complet.

Le fabricant permet au processus de synthèse de spécifier son format de sortie. Son exemple publié produit un fichier MP3 mono à 24 kHz et 160 kbit/s. C’est une configuration documentée de sortie, plutôt qu’une restriction fixe de format natif. Choisissez une représentation audio acceptée par la voie de lecture visée et gardez le locuteur et la formulation parlée disponibles pour la vérification du résultat.

Mode facultatif de voix de référence

Le mode de voix personnalisée de Microsoft peut reproduire un locuteur consentant à partir d’un extrait de référence de cinq à soixante secondes, sans ajustement du modèle. La fiche recommande une interprétation conversationnelle naturelle et une énergie modérée, car la référence influe sur l’interprétation générée. Ce mode possède un processus distinct d’approbation du fabricant et de consentement enregistré ; les voix de bibliothèque prédéfinies constituent une voie de préparation distincte.

Pour une référence destinée à définir le narrateur d’une marque, utilisez un passage propre et représentatif et déterminez l’interprétation qui doit passer dans le nouveau script. Pour la parole prédéfinie, préparez les noms, les commandes et les phrases réels dans la langue cible que l’application utilisera. Écoutez ces passages dans la voix choisie et examinez la transition entre les tours. Le résultat utile est une interaction parlée expressive avec un locuteur choisi intentionnellement, un texte clair et de l’audio adapté à l’environnement de lecture de l’auditeur.