Microsoft AI: MAI-Voice-2

MAI-Voice-2 è il modello di sintesi vocale guidato da prompt di Microsoft AI per contenuti parlati naturali ed espressivi. Il produttore evidenzia fedeltà acustica, coerenza del parlante e gamma emotiva. Le attività documentate comprendono assistenti, audiolibri, podcast, lezioni, personaggi educativi e narrazione per l’accessibilità. Il testo fornito diventa audio nella voce scelta; la variante Voice-2-Flash ha un profilo proprio per interazioni in cui è prioritaria la risposta immediata.

Lingua e parlante

La release Voice-2 di Microsoft descrive quindici lingue, comprese inglese, francese, tedesco, italiano, spagnolo, portoghese, hindi, coreano, cinese semplificato, turco, russo, thailandese, neerlandese, romeno e ungherese. Alcune lingue hanno varianti regionali separate. La release descrive inoltre alternanza hindi–inglese e spagnolo–inglese, così che alcuni passaggi multilingue possano conservare il modo in cui un parlante alterna naturalmente le lingue.

Prepara le parole effettive da pronunciare e preservane la lingua prevista. Un passaggio educativo bilingue può introdurre un termine in una lingua e spiegarlo in un’altra, mantenendo intatti nomi e citazioni. Il risultato parlato dovrebbe essere verificato rispetto all’accento e al pubblico richiesti dal contenuto anziché trattare ogni variante locale come intercambiabile.

La scheda del modello fornisce una libreria selezionata di voci e un percorso separato di prompting da voce di riferimento. Il parlato di riferimento fornisce l’identità desiderata del parlante senza fine-tuning. Microsoft raccomanda interpretazione conversazionale naturale con energia moderata perché la registrazione influenza ritmo e interpretazione. Usa una registrazione rappresentativa e consensuale quando l’attività richiede una voce personalizzata.

Narrazione più lunga e dialogo

La scheda documenta generazione di lunga durata tramite segmentazione con trasferimento del contesto. Supporta narrazione collegata come un capitolo, una lezione o una sequenza di passaggi di podcast. Dividi il copione su confini di sezione significativi e mantieni coerenti terminologia e scelta del parlante. Una spiegazione lunga beneficia di transizioni parlate che indicano all’ascoltatore quando cambia l’argomento.

Il supporto a più parlanti permette ruoli distinti in un dialogo preparato. Assegna domanda e risposta ai parlanti previsti e conserva le assegnazioni quando un ruolo ritorna. L’input dovrebbe contenere le frasi definitive e le istruzioni di interpretazione pertinenti, non una richiesta aperta che chieda al sintetizzatore vocale di inventare la conversazione.

Tono e interpretazione emotiva

Microsoft documenta controllo preciso di tono, interpretazione ed emozione a livello di turno. Gli esempi della release dimostrano ruoli parlati espressivi e passaggi emotivi. Per una narrazione, determina quale frase sia fattuale, riflessiva o entusiasta, poi applica un’interpretazione che segua quel significato. Una frase concreta è: «La parte più silenziosa dell’esperimento si è rivelata la più rivelatrice. È lì che lo schema è diventato chiaro per la prima volta». La formulazione dà all’interpretazione un cambiamento intenzionale di enfasi.

Per una voce fuori campo di istruzioni, mantieni chiara l’azione e la spiegazione in una frase separata. Per il dialogo, distingui le parole pronunciate da un personaggio dalle note di scena. Ascolta nomi ripetuti e transizioni tra passaggi, affinché la sequenza finale rimanga coerente.

Usare l’audio

L’output è parlato appena generato per il testo fornito. La forma utile è una narrazione, un dialogo o una risposta parlata di applicazione la cui voce e interpretazione seguano il copione. Mantieni testo, parlante e ordine delle sezioni associati alla registrazione, affinché una correzione modifichi il passaggio previsto senza perdere il resto dell’interpretazione.

MAI-Voice-2 privilegia naturalezza ed espressione in un’esperienza di ascolto estesa. La capacità di lunga durata non definisce un input illimitato o una durata massima garantita della registrazione. La descrizione esatta di Voice-2 rimane separata dal catalogo linguistico ampliato e dalle impostazioni vocali delle successive edizioni Voice-2.1.