Microsoft AI: MAI-Voice-2.1

A MAI-Voice-2.1 a Microsoft AI prompttal vezérelt szövegfelolvasó modellje olyan munkákhoz, ahol fontos a kifejező előadás és a hanghűség. Modellkártyája huszonhárom nyelvet és huszonhat területi változatot fed le, természetes intonációval, ritmussal és érzelmi árnyalatokkal. A gyártó alapvető felhasználásként hangoskönyveket, médianarrációt, tartalomkészítést és alámondást azonosít. Ez a változat a hosszabb, kifejező tartalmakra helyezi a hangsúlyt; a MAI-Voice-2.1-Flash külön választás a késleltetésre érzékeny interakciókhoz.

Narráció következetes beszélővel

A modellkártya egyetlen hangazonosság következetes megszólaltatását dokumentálja a támogatott nyelveken. A hosszú hanganyagok generálása darabolást és kontextusátvitelt használ a részletek közötti folytonosság javítására. Ez hasznos leckénél, hangoskönyv-fejezetnél vagy összefüggő alámondási szakaszok sorozatánál, amelyekben meg kell maradnia a narrátor karakterének. Készíts összefüggő, világos határú részleteket, és tartsd meg ugyanazt a beszélőválasztást a teljes anyagban.

A bemenet a végleges átiratszöveg, opcionális beszélőreferenciával és SSML-alapú kifejező vezérlőkkel. A narrációs feladatleírás különítse el, amit a hallgató hall, a gyártási megjegyzésektől. Műszaki magyarázathoz írj világos bevezetést, majd a tényleges lépéseket és a záró utasítást. A terméknevek és ismétlődő kifejezések írott alakja maradjon következetes. Lokalizált narrációhoz készítsd elő a célnyelvi szöveget; a kiválasztott nyelv és hang határozza meg megszólaltatását.

Beszélők, szerepek és kifejező vezérlés

A Microsoft válogatott hangkönyvtárat biztosít, és párbeszédhez több beszélőt dokumentál. Harper és Grant olyan beszélőazonosságokat példáznak, amelyekhez több területi változatban vannak bejegyzések. Kétszemélyes oktatási beszélgetésben külön hanghoz rendelhető a kérdés és a magyarázat; amikor egy szerep visszatér, ugyanaz a hozzárendelés maradjon. Egyértelműen címkézd az elmondandó sorokat, hogy a kívánt beszélgetést a szintézisbemenet ábrázolja.

A hangvétel és az előadás SSML-lel forduló- vagy mondatszinten alakítható. A stílusok beszélőspecifikusak: a kezelt katalógus megfelelő hangokhoz feladatorientált narrátori vagy oktatói stílusokat, másokhoz örömteli vagy megkönnyebbült érzelmi lehetőségeket sorol fel. Harper amerikai bejegyzése ezt a két érzelmi stílust támogatja. A beszélőt és dokumentált előadásstílusát együtt válaszd ki, ne vigyél át egy stílust másik hangról.

Történetben vagy bemutatóban a kifejezőerő megkülönböztethet tényszerű magyarázatot, elmélkedő részletet és élénk idézetet. Egy gyakorlati mondat: „Az első próbálkozás hiányos képet adott. A teljes folyamatot megvizsgálva világossá vált a hiányzó lépés.” Döntsd el, hol változik a jelentés, és ennek megfelelően készítsd elő az elmondandó egységeket. Hallgasd meg az átmeneteket, hogy az előadás kövesse a történetet, ne legyen minden mondat egyformán hangsúlyos.

Referenciahang és hanganyag

Az opcionális egyénihang-mód finomhangolás nélkül illeszkedik egy hozzájárulást adott beszélő öt–hatvan másodperces hangreferenciájához. A Microsoft természetes társalgási előadást és mérsékelt energiát ajánl a referenciában, mivel a minta befolyásolja a generált hangot. Az egyénihang-munkafolyamat gyártói jóváhagyást és rögzített hozzájárulási nyilatkozatot igényel. Az előre elkészített könyvtár külön hangválasztási útvonal.

A gyártó lehetővé teszi a kimeneti formátum megválasztását, és közzétett szintézispéldája mono MP3-at ment 24 kHz-en, 160 kbit/s bitrátával. Ezek a beállítások egy kimeneti munkafolyamatot írnak le. A hangábrázolást a következő szerkesztési vagy lejátszási szakaszhoz válaszd, és a szöveget, beszélőt, valamint szakaszsorrendet kapcsold a felvételhez. Egy kész fejezet vagy lecke több generált részletből is állhat, miközben egységes hallgatási élmény marad.

A hosszabb hanganyag felhasználása

A MAI-Voice-2.1 a természetességre és kifejezőerőre összpontosít, amikor az azonnali válaszidő kevésbé fontos, mint a beszéd előadása. Hosszabb anyagnál ellenőrizd az ismétlődő neveket, szakaszhatárokat, a párbeszédhez rendelt hangokat és az érzelmi hangvétel váltásait. A dokumentáció hosszú tartalmak kezelését és egyenletességi mechanizmusokat igazol anélkül, hogy korlátlan szöveget vagy garantált maximális felvételhosszt határozna meg. A gyakorlati eredmény kifejező hanganyag, amelynek narrátora, megfogalmazása és felépítése megfelel az előkészített anyagnak.