Microsoft AI: MAI-Voice-2-Flash

Microsoft AI の MAI-Voice-2-Flash は、アシスタント、カスタマーサポート、音声メニュー向けに、15 言語で表現豊かな音声を生成します。迅速な応答に加え、選定済みの音声ライブラリ、参照音声によるプロンプト、ターン単位の口調制御を提供します。

Ailoot Ultra · 音声合成 POST /v1/audio/speech microsoft/mai-voice-2-flash

モデルについて

この説明はモデルの機能を紹介するものです。Ailootで利用できる入力、出力、オプションは、選択したメソッドごとに以下に記載されています。

MAI-Voice-2-Flash は、迅速な応答と大量の音声処理を想定して設計された Microsoft AI のテキスト読み上げモデルです。メーカーは自然な韻律、明瞭な音声、表現豊かな話し方を特徴とし、アシスタント、カスタマーサポートエージェント、電話メニューを主要用途に挙げています。書かれた発話原稿が、選択した声の音声になります。Flash は MAI-Voice-2 の特定の派生版で、後の MAI-Voice-2.1 系列とは異なります。

言語と声の選択

このモデルのモデルカードは 15 言語、18 ロケールを記載しています。英語、イタリア語、スペイン語、ヒンディー語、フランス語、ドイツ語、ポルトガル語、韓国語、簡体字中国語、トルコ語、ロシア語、タイ語、オランダ語、ルーマニア語、ハンガリー語が含まれ、一部の言語には地域別の版があります。目的の言語を選び、リスナーに聞かせる実際の言葉を準備してください。挨拶、製品名、聞き慣れた発音では、ロケールの区別が重要になることがあります。

Microsoft は、選定済みライブラリと、短い録音から声を指定するプロンプトの 2 つの選択経路を文書化しています。ライブラリからはナレーションや対話用の既存話者を選べます。参照録音は、メーカーのカスタム音声ワークフローを通じて別の話者の声を定義します。関連するプロンプトで同じ話者を維持し、開始メッセージ、説明、続きの応答が 1 つの体験の各部分として聞こえるようにしてください。

対話音声の口調

モデルはターン単位で口調、話し方、感情を制御できます。音声アシスタントでは、まず簡潔な案内を書き、その後にリスナーが必要とする詳細を加えます。例えば、「開きたい文書を選んでください。タイトルがわからない場合は、何について書かれた文書か教えてください」という文です。明確な行動を示しつつ、追加の質問をする余地を残せます。

教育的なやり取りでは、説明と学習者が答える質問を分けてください。メニューでは選択肢名を短くし、1 回聞くだけでも明確な言い回しを使います。口調は段落の目的に合わせます。安心させる言葉、指示、質問では、同じ声を保ちながら異なる話し方が必要になることがあります。

参照音声の準備

メーカーは音声プロンプト用に 5～60 秒の録音を指定し、追加学習なしで同意を得た話者の声に合わせると説明しています。参照音声は結果に大きな影響を与えるため、適度な活気のある自然な会話調を推奨しています。音量や表情が極端に変わる無関係な演技ではなく、使いたい声を代表する録音を用意してください。

このモードは、使用許可と同意のある声を対象に文書化されています。メーカーのこのワークフローと既定の音声ライブラリは、それぞれ別の準備経路です。出力はあくまで入力した原稿から新たに合成した音声であり、録音は望む話者の声を指定します。

生成音声を使う

Flash は、応答を素早く伝え、わかりやすさも維持する必要がある対話に使います。メーカーは MAI-Voice-2 系列の韻律と音質を保ちながら、応答性を重視する版として位置付けています。各発話ターンをその原稿と話者に関連付け、重要な名前、コマンド、感情の変化を文脈の中で確認できるようにしてください。

実用的な成果物は、必要な言語と声による明瞭な音声プロンプトや応答です。特に複数の案内が続く場合は、実際の聴衆が聞く形で言葉を試聴してください。15 言語、18 ロケールという仕様は、この Voice-2-Flash 版固有のものです。後の版で拡張された言語カタログや管理済み音声の詳細は、それぞれのモデル情報に属します。

Ailoot Ultra · 音声合成 POST /v1/audio/speech microsoft/mai-voice-2-flash

microsoft/mai-voice-2-flash

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

はじめに

対応する入力: テキスト
結果: 音声

Ailootで利用可能 · 入力とメソッド

Ailoot Ultra · 音声合成 POST /v1/audio/speech

入力の種類: text
出力の種類: audio
出力形式: mp3

フィールド	種類	要件	値と制限	デフォルト
フィールド`model`	種類`string`	要件必須	値と制限 microsoft/mai-voice-2-flash	デフォルト—
フィールド`input`	種類`string`	要件必須	値と制限最小の長さ: 1 単位: Unicode 文字	デフォルト—
フィールド`voice`	種類`string`	要件必須	値と制限 en-US-Harper:MAI-Voice-2, es-MX-Valeria:MAI-Voice-2, fr-FR-Soleil:MAI-Voice-2, de-DE-Klaus:MAI-Voice-2	デフォルト—
フィールド`response_format`	種類`string`	要件必須	値と制限 mp3	デフォルト—

入力素材の組み合わせ

text_to_speech · 必須: input

メソッドのパラメータとライフサイクル

パラメータ	仕様
パラメータ`content_type`	仕様application/json
パラメータ`required`	仕様model, input, voice, response_format
パラメータ`voice_ids`	仕様en-US-Harper:MAI-Voice-2, es-MX-Valeria:MAI-Voice-2, fr-FR-Soleil:MAI-Voice-2, de-DE-Klaus:MAI-Voice-2
パラメータ`response_format`	仕様mp3
パラメータ`max_input_characters`	仕様null
パラメータ`other_options`	仕様false
パラメータ`input`	仕様正確なUTF-8テキスト。正規化せずにUnicode文字数を数えます
パラメータ`material_types`	仕様text

ライフサイクル: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · 実際に返された task_id またはメディアライブラリのレコード

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

このモデルのプロファイルから、使用する音声を正確に選択してください。

入力文字数と音声の秒数は、別の計測単位です。

料金

料金情報はリクエストの機能を追加しません。対応するパラメーターは選択したメソッドに記載されています。

高速モード: 未指定高速モードが選択されている場合
Flex モード: 未指定 flex モードが選択されている場合
最大推論量: 未指定推論量が最大で、調整に既定値（default）を使用する場合

Ailootの料金

設定別の価格

各料金を表示された条件と照合してください。選択肢となる設定の各組には、いずれか1つの料金を適用します。

設定	料金表	課金対象の数量	課金単位	料金
設定基本トークン料金	料金表基本料金	課金対象の数量—	課金単位—	料金入力 · 入力トークン — / 1K トークン出力 · 出力トークン — / 1K トークン入力 · キャッシュ読み取り — / 1K トークン入力 · キャッシュ書き込み — / 1K トークン入力 · キャッシュ書き込み、1時間 — / 1K トークン
設定Ultra	料金表—	課金対象の数量漢字を含め、Unicodeコードポイント1つを1文字として数えます。	課金単位1K入力文字あたり	料金入力 · 入力文字 $0.03 1K入力文字あたり

参考料金の詳細

モデル単位の参照料金表は、メソッド選択、見積もり、課金を変更しません。実際の課金には、選択したAilootメソッドの料金を適用します。

Microsoft AI: MAI-Voice-2-Flash

設定別の価格

設定	課金条件	料金
設定Microsoft AI: MAI-Voice-2-Flash · 標準設定	課金条件デフォルト設定	料金入力 · 入力文字数 $0.00003 入力文字あたり

Ailootはリクエスト前に見積額を確保します。結果の取得後、実測使用量に基づいて最終料金を精算します。ストリーミング時の精算には最終の使用量記録を使用します。金額の確保と精算の仕組み →

リクエスト例

Ailoot Ultra · 音声合成

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

結果を受け取って保存

Ailoot Ultra · 音声合成

mp3

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

その他のコンテンツ取得

メディアライブラリタスクのステータスアセットの詳細

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

完了した結果をすべて保存

返された完全なレスポンス、ファイル、コンテンツ部分をすべて保存してください。

バイナリ結果の全体とヘッダーを保存してください。JSON または複数の出力が返された場合は、すべてのデータ項目を保存し、実際に返された署名付きアセット URL から各アセットを取得してください。

元のレスポンスを確認する場合

再送せずに照合できるよう、元の operation_id/X-Client-Request-ID を保存してください。音声専用のポーリングルートはありません。

レスポンスのフィールド

フィールド	種類
フィールド`binary audio`	種類bytes
フィールド`response headers`	種類headers

エラーと次の手順

レスポンス	条件	次の手順
レスポンス400 · `invalid_request_error`	条件必須フィールド、素材の表現形式、またはパラメーター値が不正です	次の手順新しい生成リクエストを送る前に、指定されたフィールドを修正してください。
レスポンス`server_error`	条件返されたレスポンスは、操作または結果の確認が必要であることを示しています	次の手順最初に返された操作／タスク ID、リクエストヘッダー、レスポンスを保存し、その元の操作に対してサポートされている読み取りを継続してください。作成リクエストを再送しないでください。

エイリアス

モデルのエイリアス

Ailoot Ultra microsoft/mai-voice-2-flash

メソッドパスのエイリアス

上記に表示されたメソッドパスを使用してください。

Microsoft AI: MAI-Voice-2-Flash