Microsoft AI: MAI-Voice-2.1

MAI-Voice-2.1 est le modèle de synthèse vocale guidée par prompt de Microsoft AI pour les travaux où l’interprétation expressive et la fidélité audio importent. Sa fiche de modèle couvre vingt-trois langues et vingt-six variantes locales, avec une intonation naturelle, du rythme et des nuances émotionnelles. Le fabricant identifie les livres audio, la narration de médias, la création de contenus et les voix off comme des usages principaux. Cette édition met l’accent sur les contenus expressifs plus longs ; MAI-Voice-2.1-Flash est le choix distinct conçu pour les interactions sensibles à la latence.

Narration avec un locuteur cohérent

La fiche du modèle documente une identité vocale rendue de manière cohérente dans les langues prises en charge. La génération longue utilise un découpage et une transmission du contexte pour améliorer la continuité entre les passages. Cela convient à une leçon, à un chapitre de livre audio ou à une suite de sections de voix off liées qui doivent conserver le caractère du narrateur. Préparez des passages cohérents avec des limites claires et préservez le même choix de locuteur pendant le contenu.

L’entrée est le texte définitif, avec une référence facultative de locuteur et des commandes expressives SSML. Un cahier des charges de narration doit distinguer ce que l’auditeur entend des notes de production. Pour une explication technique, rédigez une introduction claire, puis les étapes réelles et l’instruction de clôture. Gardez les noms de produits et les termes répétés dans une forme écrite cohérente. Pour une narration localisée, préparez le script dans la langue cible ; la langue et la voix choisies déterminent son rendu parlé.

Locuteurs, rôles et commandes expressives

Microsoft fournit une bibliothèque de voix sélectionnées et documente plusieurs locuteurs pour le dialogue. Harper et Grant illustrent des identités de locuteurs avec des entrées pour plusieurs variantes locales. Un échange pédagogique entre deux personnes peut attribuer la question et l’explication à des voix distinctes, en conservant la même attribution lorsqu’un rôle reprend la parole. Étiquetez clairement les phrases parlées afin que la conversation souhaitée soit représentée dans l’entrée de synthèse.

Le ton et l’interprétation peuvent être façonnés au niveau du tour ou de la phrase au moyen de SSML. Les styles sont propres aux locuteurs : le catalogue géré répertorie des styles de narration ou pédagogiques orientés vers la tâche pour les voix adaptées et des choix émotionnels tels que joyful ou relieved pour d’autres. L’entrée américaine de Harper prend en charge ces deux styles émotionnels. Choisissez ensemble le locuteur et son style d’interprétation documenté, plutôt que de transférer un style d’une autre voix.

Pour une histoire ou une présentation, l’expressivité peut distinguer une explication factuelle, un passage réflexif et une citation animée. Une phrase concrète est : « Le premier essai nous a donné une image incomplète. Examiner la séquence entière a mis en évidence l’étape manquante. » Déterminez où le sens change et préparez les unités parlées en conséquence. Écoutez les transitions afin que l’interprétation suive le récit, plutôt que de donner la même emphase à chaque phrase.

Voix de référence et résultat audio

Le mode facultatif de voix personnalisée reproduit un locuteur consentant à partir d’une référence audio de cinq à soixante secondes, sans ajustement du modèle. Microsoft recommande une interprétation conversationnelle naturelle et une énergie modérée dans cette référence, car l’échantillon influe sur la voix générée. Son processus de voix personnalisée nécessite l’approbation du fabricant et une déclaration de consentement enregistrée. La bibliothèque de voix prédéfinies constitue une voie distincte de sélection vocale.

Le fabricant autorise un format de sortie choisi et son exemple publié de synthèse sauvegarde du MP3 mono à 24 kHz et 160 kbit/s. Ces réglages décrivent un processus de sortie. Choisissez la représentation audio selon l’étape suivante de modification ou de lecture et gardez le script, le locuteur et l’ordre des sections associés à l’enregistrement. Un chapitre ou une leçon terminés peuvent contenir plusieurs passages générés tout en restant une expérience d’écoute cohérente.

Utiliser le résultat long

MAI-Voice-2.1 privilégie le naturel et l’expression lorsque le temps de réponse immédiat compte moins que l’interprétation parlée. Pour un contenu prolongé, vérifiez les noms récurrents, les limites de sections, les voix attribuées au dialogue et les changements de registre émotionnel. La documentation établit une capacité de génération longue et des mécanismes de cohérence sans spécifier un script illimité ni une durée maximale garantie d’enregistrement. Le livrable concret est un audio expressif dont le narrateur, la formulation et la progression correspondent au matériau préparé.