Microsoft AI: MAI-Voice-2-Flash

A Microsoft AI MAI-Voice-2-Flash modellje 15 nyelven generál kifejező beszédet asszisztensekhez, ügyfélszolgálathoz és hangos menükhöz. A gyorsan reagáló előadást válogatott hangkönyvtárral, referenciahangos promptolással és fordulószintű hangvételvezérléssel kapcsolja össze.

Ailoot Ultra · Felolvasás POST /v1/audio/speech microsoft/mai-voice-2-flash

A modellről

Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.

A MAI-Voice-2-Flash a Microsoft AI szövegfelolvasó modellje gyorsan reagáló, nagy forgalmú hangélményekhez. A gyártó természetes prozódiát, tiszta hangot és kifejező előadást ír le, és fő feladatai közé asszisztenseket, ügyfélszolgálati ügynököket és telefonos menüket sorol. Az írott átiratszöveg a kiválasztott hangon beszédhanggá válik. A Flash a MAI-Voice-2 konkrét változata, amely különbözik a későbbi MAI-Voice-2.1 családtól.

Nyelv- és hangválasztás

A pontos modellkártya tizenöt nyelvet és tizennyolc területi változatot dokumentál. Ezek az angol, olasz, spanyol, hindi, francia, német, portugál, koreai, egyszerűsített kínai, török, orosz, thai, holland, román és magyar nyelvet fedik le, egyes nyelveknél külön regionális változatokkal. Válaszd ki a kívánt nyelvet, és készítsd elő a tényleges megfogalmazást, amelyet a hallgatónak hallania kell. A területi különbség fontos lehet egy üdvözlésnél, terméknévnél vagy a közönség számára ismerős kiejtésnél.

A Microsoft két hangválasztási útvonalat dokumentál: válogatott könyvtárat és rövid felvételből történő hangpromptolást. A könyvtár meglévő beszélőt ad narrációhoz vagy interakcióhoz. A referenciafelvétel a gyártó egyénihang-munkafolyamatán keresztül másik beszélőazonosságot határoz meg. Az összefüggő felszólításokban tartsd következetesen a beszélőválasztást, hogy a nyitóüzenet, magyarázat és folytatás egyetlen élmény részeinek hangozzon.

Interaktív beszéd hangvétele

A modell támogatja a hangvétel, előadás és érzelem fordulószintű vezérlését. Hangos asszisztenshez írj tömör első utasítást, majd a hallgató számára szükséges részletet. Egy gyakorlati mondat: „Válaszd ki a megnyitni kívánt dokumentumot. Ha nem vagy biztos a címében, mondd el, miről szól.” A szöveg világos teendőt ad a hallgatónak, és helyet hagy egy további kérdésnek.

Oktatási beszélgetésben különítsd el a magyarázatot attól a kérdéstől, amelyre a tanulónak válaszolnia kell. Menüben az opciónevek legyenek rövidek, és egyszer hallva is világos megfogalmazást használj. A hangvétel kövesse a részlet célját: a megnyugtatás, utasítás és kérdés eltérő előadást igényelhet, miközben a hang ugyanaz marad.

Referenciahang előkészítése

A gyártó hangpromptoláshoz öt–hatvan másodperces felvételt ír elő, és további tanítás nélkül írja le az illeszkedést a hozzájáruló beszélőhöz. Természetes társalgási előadást és mérsékelt energiát ajánl, mert a referencia jelentősen befolyásolja az eredményt. A használni kívánt hangot képviselő felvételt készíts, ne a hangerő vagy kifejezőerő oda nem illő szélsőségeit tartalmazó előadást.

Ezt a módot engedélyezett, hozzájárulással használt hanghoz dokumentálják. Gyártói munkafolyamata és az előre beállított hangkönyvtár külön előkészítési út. A kimenet továbbra is a megadott átiratból újonnan szintetizált beszéd; a felvétel a kívánt beszélőazonosságot adja.

Munka az elmondott eredménnyel

Olyan interakcióhoz használd a Flash-t, amelyben a választ gyorsan kell elmondani, és annak könnyen érthetőnek kell maradnia. A gyártó ezt a változatot a gyors reagálás köré helyezi, miközben megtartja a MAI-Voice-2 sorozat prozódiáját és akusztikai minőségét. Minden elmondott fordulót kapcsolj az átiratához és beszélőjéhez, hogy a fontos neveket, parancsokat és érzelmi váltásokat kontextusban lehessen ellenőrizni.

A hasznos eredmény világos hangos felszólítás vagy válasz a szükséges nyelven és hangon. Úgy hallgasd meg a megfogalmazást, ahogyan a közönség fogja hallani, különösen felszólítások sorozatában. A tizenöt nyelv és tizennyolc területi változat specifikációja a pontos Voice-2-Flash kiadáshoz tartozik; a későbbi változatok bővített nyelvkatalógusa és kezelt hangrészletei saját leírásukhoz tartoznak.

Ailoot Ultra · Felolvasás POST /v1/audio/speech microsoft/mai-voice-2-flash

microsoft/mai-voice-2-flash

Microsoft AI /microsoft/mai-voice-2-flash

Kezdő lépések

Elfogadott bemenetek: Szöveg
Eredmények: Hang

Elérhető az Ailootban · bemenetek és metódusok

Ailoot Ultra · Felolvasás POST /v1/audio/speech

Bemenet: text
Kimenet: audio
Kimeneti formátum: mp3

Mező	Típus	Követelmény	Értékek és korlátok	Alapértelmezett
Mező`model`	Típus`string`	KövetelményKötelező	Értékek és korlátok microsoft/mai-voice-2-flash	Alapértelmezett—
Mező`input`	Típus`string`	KövetelményKötelező	Értékek és korlátok Minimális hossz: 1 Egység: Unicode-karakterek	Alapértelmezett—
Mező`voice`	Típus`string`	KövetelményKötelező	Értékek és korlátok en-US-Harper:MAI-Voice-2, es-MX-Valeria:MAI-Voice-2, fr-FR-Soleil:MAI-Voice-2, de-DE-Klaus:MAI-Voice-2	Alapértelmezett—
Mező`response_format`	Típus`string`	KövetelményKötelező	Értékek és korlátok mp3	Alapértelmezett—

Bemeneti anyagok kombinációi

text_to_speech · Kötelező: input

Metódus paraméterei és életciklusa

Paraméter	Szerződés
Paraméter`content_type`	Szerződésapplication/json
Paraméter`required`	Szerződésmodel, input, voice, response_format
Paraméter`voice_ids`	Szerződésen-US-Harper:MAI-Voice-2, es-MX-Valeria:MAI-Voice-2, fr-FR-Soleil:MAI-Voice-2, de-DE-Klaus:MAI-Voice-2
Paraméter`response_format`	Szerződésmp3
Paraméter`max_input_characters`	Szerződésnull
Paraméter`other_options`	Szerződésfalse
Paraméter`input`	Szerződéspontos UTF-8 szöveg; Unicode-karakterszám normalizálás nélkül
Paraméter`material_types`	Szerződéstext

Életciklus: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · A ténylegesen visszaadott task_id vagy a médiatár bejegyzése

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

E modell profiljából válassza ki a pontos hangot.

A bemeneti karakterek és a hangmásodpercek külön mérési egységek.

Díjcsomagok

A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.

Gyors mód: Nincs megadva Ha a gyors mód van kiválasztva
Flex mód: Nincs megadva Ha a flex mód van kiválasztva
Maximális gondolkodási ráfordítás: Nincs megadva Ha a maximális gondolkodási ráfordításra a default beállításhoz tartozó korrekció vonatkozik

Ailoot-díjak

Árak beállításonként

Minden díjat a megjelenített feltételekhez rendeljen. Az alternatív beállítások minden csoportjához egy díjtételt használjon.

Beállítás	Díjtáblázat	Számlázható mennyiség	Elszámolási egység	Díj
BeállításTokenek alapdíjai	DíjtáblázatAlapdíj	Számlázható mennyiség—	Elszámolási egység—	Díj Bemenet · Bemeneti tokenek — / 1K token Kimenet · Kimeneti tokenek — / 1K token Bemenet · Gyorsítótár olvasása — / 1K token Bemenet · Írás a gyorsítótárba — / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token
BeállításUltra	Díjtáblázat—	Számlázható mennyiségMinden Unicode-kódpont egy karakternek számít, a Han-karaktereket is beleértve.	Elszámolási egység1K bemeneti karakterenként	Díj Bemenet · bemeneti karakter $0.03 1K bemeneti karakterenként

A referencia-díjszabás részletei

A modellszintű referenciatáblázatok nem módosítják a metódusválasztást, az árajánlatokat vagy a díjakat. A tényleges díjak a kiválasztott Ailoot-metódus díjtételeit használják.

Microsoft AI: MAI-Voice-2-Flash

Árak beállításonként

Beállítás	Elszámolási feltételek	Díj
BeállításMicrosoft AI: MAI-Voice-2-Flash · Alapértelmezett beállítások	Elszámolási feltételekAlapértelmezett konfiguráció	Díj Bemenet · Bemeneti karakterek 0,00003 USD bemeneti karakterenként

Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →

Példakérések

Ailoot Ultra · Felolvasás

curl

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}"
export AILOOT_VOICE_ID
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "microsoft/mai-voice-2-flash", "input": "Good afternoon! This is a short voice take."}')
voice=os.environ["AILOOT_VOICE_ID"]
allowed=json.loads('["en-US-Harper:MAI-Voice-2", "es-MX-Valeria:MAI-Voice-2", "fr-FR-Soleil:MAI-Voice-2", "de-DE-Klaus:MAI-Voice-2"]')
if voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile")
p["voice"]=voice
p["response_format"]="mp3"
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o speech.mp3

Eredmények fogadása és mentése

Ailoot Ultra · Felolvasás

mp3

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

További tartalomlekérések

MédiatárFeladat állapotaMédiafájl részletei

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_MEDIA_TASK_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-task.json").read_text())))
PY_RESULT

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_ASSET_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-asset.json").read_text())))
PY_RESULT

Őrizzen meg minden elkészült eredményt

Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.

Őrizze meg a teljes bináris eredményt és a fejléceket. JSON vagy több kimenet esetén őrizzen meg minden adatelemet, és töltse le minden ténylegesen visszaadott, aláírt média-URL tartalmát.

Ha az eredeti választ ellenőrizni kell

Őrizze meg az eredeti operation_id/X-Client-Request-ID értéket az egyeztetéshez, újbóli beküldés nélkül; nincs külön hangállapot-lekérdezési útvonal.

Válaszmezők

Mező	Típus
Mező`binary audio`	Típusbytes
Mező`response headers`	Típusheaders

Hibák és következő lépések

Válasz	Feltétel	Következő lépés
Válasz400 · `invalid_request_error`	FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték	Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt.
Válasz`server_error`	FeltételA visszaadott válasz szerint a művelet vagy az eredmény ellenőrzést igényel	Következő lépésŐrizze meg az eredetileg visszaadott művelet- vagy feladatazonosítót, a kérés fejléceit és a választ; folytassa az eredeti művelet támogatott lekérdezéseit. Ne küldje be újra a létrehozási kérést.

Álnevek

Modell álnevei

Ailoot Ultra microsoft/mai-voice-2-flash

Metódusútvonalak álnevei

Használja a fent látható metódusútvonalakat.

Kapcsolódó modellazonosítók

microsoft/mai-voice-2-flash

FAQ · Microsoft AI: MAI-Voice-2-Flash

Milyen bemenetek és eredmények érhetők el?: POST /v1/audio/speech · microsoft/mai-voice-2-flash: text → audio
Mely mezőket használja a kérés?: POST /v1/audio/speech · microsoft/mai-voice-2-flash: model, input, voice, response_format

Microsoft AI: MAI-Voice-2-Flash