Microsoft AI: MAI-Voice-2.1-Flash

MAI-Voice-2.1-Flash adalah model teks ke suara berbasis prompt dari Microsoft AI yang dirancang untuk interaksi lisan responsif. Produsennya memosisikannya untuk asisten suara, percakapan dukungan pelanggan, dan menu telepon. Model ini menghasilkan ucapan alami dan ekspresif dalam dua puluh tiga bahasa, dengan kendali atas nada serta penyampaian. Flash adalah versi yang berorientasi pada respons langsung; MAI-Voice-2.1 yang memiliki nama terpisah mengutamakan ekspresi terperinci dan fidelitas untuk konten yang lebih panjang.

Teks, penutur, dan bahasa

Masukannya adalah transkrip yang akan diucapkan, dengan suara pilihan dan instruksi ekspresif opsional dalam SSML. Katalog suara terkelola membedakan penutur, varian lokal, dan versi model. Harper dan Grant merupakan contoh penutur bernama dengan entri khusus bahasa. Gunakan teks bahasa sasaran yang dimaksud dan pilih varian lokal yang sesuai; salam bahasa Inggris yang disiapkan dan penjelasan bahasa Spanyol adalah petikan lisan terpisah, masing-masing dengan susunan katanya sendiri.

Kartu model mendokumentasikan identitas suara yang konsisten di seluruh bahasa yang didukung dan banyak penutur untuk dialog. Ini dapat mendukung aplikasi yang memerlukan satu narator yang mudah dikenali di berbagai petunjuk yang dilokalkan, atau dialog singkat dengan peran berbeda. Tetapkan kalimat kepada penutur yang dimaksud secara eksplisit dan pertahankan penugasan itu. Audio adalah versi lisan naskah tersebut, bukan jawaban baru yang disusun dari pertanyaan terbuka.

Nada dan gaya bicara

Microsoft mendokumentasikan kendali emosi dan penyampaian pada tingkat kalimat serta giliran melalui SSML. Gaya yang tersedia bergantung pada suara pilihan. Katalog terkelola mencakup gaya tugas seperti narrator, educational, dan customer_call_center, bersama gaya ekspresif untuk penutur tertentu. Misalnya, entri Harper AS mencakup joyful dan relieved. Pilih gaya yang didukung suara, alih-alih berasumsi bahwa semua penutur menerima kumpulan yang sama.

Contoh kalimat dukungan praktis: “Saya dapat membantu Anda menemukan dokumen yang tepat. Sebutkan judulnya, atau jelaskan topiknya.” Jaga agar permintaan cukup singkat untuk ditindaklanjuti pendengar, lalu pilih penyampaian tenang atau menyemangati yang sesuai dengan interaksi. Untuk kegiatan belajar, tulis penjelasan dan pertanyaan berikutnya sebagai satuan lisan terpisah. Ekspresivitas mendukung makna ketika naskah memperjelas perubahan maksud.

Streaming dan penyampaian audio

Kartu model Flash secara khusus mendokumentasikan keluaran streaming untuk dialog langsung, termasuk alur kerja yang menangani pendengar berbicara saat respons masih berlangsung. Aplikasi dapat memutar audio saat diterima dan mengoordinasikan interupsi serta giliran berikutnya. Ini menjadikan waktu penyampaian pesan lisan bagian dari interaksi, alih-alih mewajibkan setiap respons disiapkan sebagai rekaman lengkap terlebih dahulu.

Produsen memungkinkan alur kerja sintesis menentukan format keluarannya. Contoh yang dipublikasikan menghasilkan berkas MP3 mono pada 24 kHz dan 160 kbit/s. Itu merupakan satu konfigurasi keluaran yang didokumentasikan, bukan pembatasan format bawaan yang tetap. Pilih representasi audio yang diterima jalur pemutaran yang dituju dan simpan informasi penutur serta susunan kata lisan untuk meninjau hasilnya.

Mode suara referensi opsional

Mode suara kustom Microsoft dapat mencocokkan penutur yang telah memberikan persetujuan dari klip referensi lima hingga enam puluh detik tanpa penyetelan halus. Kartu model menyarankan penyampaian percakapan alami dengan energi sedang karena referensi memengaruhi penampilan yang dihasilkan. Mode ini memiliki proses persetujuan produsen dan persetujuan terekam yang terpisah; suara pustaka prasetel merupakan jalur persiapan tersendiri.

Untuk referensi yang dimaksudkan sebagai narator merek, gunakan petikan bersih yang representatif dan tentukan penyampaian yang perlu dibawa ke naskah baru. Untuk ucapan prasetel, siapkan nama, perintah, dan frasa bahasa sasaran yang benar-benar akan dipakai aplikasi. Dengarkan petikan tersebut dengan suara pilihan dan periksa transisi antargiliran. Hasil yang berguna adalah interaksi lisan ekspresif dengan penutur yang dipilih secara sengaja, teks yang jelas, dan audio yang sesuai dengan lingkungan pemutaran pendengar.