Microsoft AI: MAI-Voice-2.1

MAI-Voice-2.1 adalah model teks ke suara berbasis prompt dari Microsoft AI untuk pekerjaan yang mengutamakan penyampaian ekspresif dan fidelitas audio. Kartu modelnya mencakup dua puluh tiga bahasa dan dua puluh enam varian lokal, dengan intonasi, irama, dan nuansa emosi yang alami. Produsen menyebut buku audio, narasi media, pembuatan konten, dan sulih suara sebagai penggunaan utama. Edisi ini menekankan konten ekspresif yang lebih panjang; MAI-Voice-2.1-Flash adalah pilihan terpisah yang dirancang untuk interaksi yang peka terhadap latensi.

Narasi dengan penutur yang konsisten

Kartu model mendokumentasikan satu identitas suara yang diwujudkan secara konsisten di seluruh bahasa yang didukung. Generasi bentuk panjang menggunakan pembagian menjadi potongan dan penerusan konteks untuk meningkatkan kesinambungan antarpetikan. Ini berguna untuk pelajaran, bab buku audio, atau rangkaian bagian sulih suara terkait yang harus mempertahankan karakter narator. Siapkan petikan koheren dengan batas yang jelas dan pertahankan pilihan penutur yang sama sepanjang karya.

Masukannya adalah transkrip akhir, dengan referensi penutur opsional dan kendali ekspresif SSML. Arahan narasi harus membedakan apa yang didengar pendengar dari catatan produksi. Untuk penjelasan teknis, tulis pengantar yang jelas, lalu langkah-langkah sebenarnya dan instruksi penutup. Pertahankan nama produk dan istilah berulang dalam bentuk tertulis yang konsisten. Untuk narasi yang dilokalkan, siapkan naskah bahasa sasaran; bahasa dan suara pilihan menentukan penyampaiannya secara lisan.

Penutur, peran, dan kendali ekspresif

Microsoft menyediakan pustaka suara terkurasi dan mendokumentasikan banyak penutur untuk dialog. Harper dan Grant menggambarkan identitas penutur dengan entri untuk beberapa varian lokal. Percakapan pendidikan dua orang dapat memberikan pertanyaan dan penjelasan kepada suara berbeda, mempertahankan penugasan yang sama ketika suatu peran muncul kembali. Beri label pada kalimat lisan secara jelas agar percakapan yang diinginkan terwakili dalam masukan sintesis.

Nada dan penyampaian dapat dibentuk pada tingkat giliran atau kalimat melalui SSML. Gaya bersifat khusus penutur: katalog terkelola mencantumkan gaya narator atau pendidikan yang berorientasi pada tugas untuk suara yang sesuai, serta pilihan emosi seperti gembira atau lega untuk suara lainnya. Entri Harper AS mendukung kedua gaya emosi tersebut. Pilih penutur bersama gaya penyampaiannya yang didokumentasikan, alih-alih memindahkan gaya dari suara lain.

Untuk cerita atau presentasi, ekspresivitas dapat membedakan penjelasan faktual, petikan reflektif, dan kutipan yang hidup. Kalimat praktis adalah: “Percobaan pertama memberi kami gambaran yang belum lengkap. Melihat seluruh rangkaian memperjelas langkah yang hilang.” Tentukan tempat makna berubah dan siapkan unit lisan yang sesuai. Dengarkan peralihannya agar penyampaian mengikuti narasi, bukan membuat setiap kalimat sama kuat penekanannya.

Suara referensi dan hasil audio

Mode suara kustom yang bersifat opsional mencocokkan suara penutur yang telah memberikan persetujuan berdasarkan referensi audio lima hingga enam puluh detik tanpa penyetelan halus. Microsoft menyarankan penyampaian percakapan yang alami dan energi sedang dalam referensi tersebut, karena sampel memengaruhi suara yang dihasilkan. Alur kerja suara kustomnya memerlukan persetujuan produsen dan pernyataan persetujuan yang direkam. Pustaka siap pakai merupakan jalur pemilihan suara yang terpisah.

Produsen mengizinkan pemilihan format keluaran, dan contoh sintesis yang dipublikasikannya menyimpan MP3 mono pada 24 kHz dan 160 kbit/s. Setelan ini menjelaskan satu alur kerja keluaran. Pilih representasi audio untuk tahap penyuntingan atau pemutaran berikutnya, dan pertahankan kaitan naskah, penutur, serta urutan bagian dengan rekaman. Bab atau pelajaran yang selesai dapat mengandung beberapa petikan yang dihasilkan sambil tetap menjadi satu pengalaman mendengarkan yang koheren.

Gunakan hasil bentuk panjang

MAI-Voice-2.1 berorientasi pada kealamian dan ekspresi ketika waktu respons segera kurang penting dibandingkan penampilan ucapan. Untuk karya yang panjang, tinjau nama berulang, batas bagian, suara yang ditugaskan pada dialog, dan perubahan nuansa emosi. Dokumentasi menetapkan kemampuan bentuk panjang dan mekanisme konsistensi tanpa menyatakan naskah tanpa batas atau durasi rekaman maksimum yang dijamin. Hasil praktis adalah audio ekspresif yang narator, susunan kata, dan perkembangannya sesuai dengan materi yang disiapkan.