Microsoft AI: MAI-Voice-2

A Microsoft AI MAI-Voice-2 modellje kifejező többnyelvű beszédet állít elő narrációhoz, párbeszédhez és hangos alkalmazásokhoz. A hosszú tartalmak egyenletessége, a több beszélő és a fordulószintű érzelemvezérlés hangoskönyveket, leckéket és karakterhangokat támogat.

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

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 a Microsoft AI prompttal vezérelt szövegfelolvasó modellje természetes, kifejező beszédtartalomhoz. Gyártója az akusztikai hűséget, a beszélő következetességét és az érzelmi tartományt hangsúlyozza. A dokumentált feladatok között asszisztensek, hangoskönyvek, podcastok, előadások, oktatási karakterek és akadálymentesítő narráció szerepel. Az átiratszöveg a kiválasztott hangon hanganyaggá válik; a Voice-2-Flash változatnak saját leírása van az azonnali választ előnyben részesítő interakciókhoz.

Nyelv és beszélő

A Microsoft Voice-2 kiadása tizenöt nyelvet ír le, köztük angolt, franciát, németet, olaszt, spanyolt, portugált, hindit, koreait, egyszerűsített kínait, törököt, oroszt, thait, hollandot, románt és magyart. Egyes nyelvek külön regionális változatokkal rendelkeznek. A kiadás hindi–angol és spanyol–angol nyelvváltást is leír, így kiválasztott vegyes nyelvű részletek megtarthatják, ahogyan a beszélő természetesen váltogatja a nyelveket.

Készítsd elő a tényleges kimondandó szavakat, és őrizd meg kívánt nyelvüket. Egy kétnyelvű oktatási részlet bevezethet egy kifejezést az egyik nyelven, és elmagyarázhatja a másikon, miközben a nevek és idézetek megmaradnak. A beszédet az adott anyaghoz szükséges akcentussal és közönségre figyelve ellenőrizd, ne kezeld felcserélhetőként az összes területi változatot.

A modellkártya válogatott hangkönyvtárat és külön referenciahangos promptolási útvonalat biztosít. A referenciabeszéd finomhangolás nélkül adja a kívánt beszélőazonosságot. A Microsoft természetes társalgási előadást és mérsékelt energiát ajánl, mivel a felvétel hatással van a tempóra és az előadásra. Reprezentatív, hozzájárulással használt felvételt alkalmazz, ha a feladat egyéni hangot kíván.

Hosszabb narráció és párbeszéd

A modellkártya hosszú hanganyagok darabolással és kontextusátvitellel történő generálását dokumentálja. Ez összefüggő narrációt támogat, például fejezetet, leckét vagy podcastrészletek sorozatát. Értelmes szakaszhatároknál oszd fel a szöveget, és tartsd következetesen a terminológiát és beszélőválasztást. Egy hosszú magyarázatot segítenek azok az elmondott átvezetések, amelyek jelzik a hallgatónak a témaváltást.

A több beszélő támogatása külön szerepeket enged egy előkészített párbeszédben. Rendeld a kérdést és választ a kívánt beszélőhöz, és visszatérő szerepnél őrizd meg a hozzárendelést. A bemenet a végleges sorokat és megfelelő előadási utasításokat tartalmazza, ne nyitott kérést, amely a beszédszintetizátortól várja a beszélgetés kitalálását.

Hangvétel és érzelmi előadás

A Microsoft részletes, fordulószintű hangvétel-, előadás- és érzelemvezérlést dokumentál. Kiadási példái kifejező beszédszerepeket és érzelmi részleteket mutatnak be. Narratívánál határozd meg, melyik mondat tényszerű, elmélkedő vagy izgatott, majd a jelentést követő előadást alkalmazz. Egy gyakorlati mondat: „A kísérlet legcsendesebb része bizonyult a legárulkodóbbnak. Ott vált először világossá a mintázat.” A megfogalmazás tudatos hangsúlyváltást ad az előadásnak.

Oktató alámondásnál a művelet legyen világos, a magyarázat külön mondatban szerepeljen. Párbeszédnél különítsd el a karakter kimondott szövegét a jelenetmegjegyzésektől. Hallgasd meg az ismétlődő neveket és a részletek közötti átmeneteket, hogy a végső sorozat összefüggő maradjon.

A hanganyag felhasználása

A kimenet újonnan generált beszéd a megadott átirathoz. Hasznos formája narráció, párbeszéd vagy hangos alkalmazásválasz, amelynek hangja és előadása követi a szöveget. A szöveget, a beszélő adatait és a szakaszok sorrendjét a felvételhez kapcsolva őrizd meg, hogy egy javítás a kívánt részletet módosítsa az előadás többi részének elvesztése nélkül.

A MAI-Voice-2 a természetességet és kifejezőerőt hangsúlyozza hosszabb hallgatási élménynél. A hosszú tartalmak kezelése nem jelent korlátlan bemenetet vagy garantált maximális felvételhosszt. A pontos Voice-2 leírás külön marad a későbbi Voice-2.1 kiadások bővített nyelvkatalógusától és hangbeállításaitól.

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

microsoft/mai-voice-2

Microsoft AI /microsoft/mai-voice-2

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	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 $0.044 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

Árak beállításonként

Beállítás	Elszámolási feltételek	Díj
BeállításMicrosoft AI: MAI-Voice-2 · Alapértelmezett beállítások	Elszámolási feltételekAlapértelmezett konfiguráció	Díj Bemenet · Bemeneti karakterek 0,000044 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", "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

Metódusútvonalak álnevei

Használja a fent látható metódusútvonalakat.

Kapcsolódó modellazonosítók

microsoft/mai-voice-2

FAQ · Microsoft AI: MAI-Voice-2

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

Microsoft AI: MAI-Voice-2