Microsoft AI: MAI-Voice-2.1-Flash

MAI-Voice-2.1-Flash ialah model teks-ke-pertuturan berasaskan prompt daripada Microsoft AI yang direka untuk interaksi lisan responsif. Pengeluar meletakkannya untuk pembantu suara, perbualan sokongan pelanggan dan menu telefon. Ia menjana pertuturan semula jadi yang ekspresif merentas dua puluh tiga bahasa, dengan kawalan nada dan penyampaian. Flash ialah versi yang berorientasikan respons langsung; MAI-Voice-2.1 yang dinamakan secara berasingan mengutamakan ekspresi terperinci dan ketepatan bunyi untuk kandungan lebih panjang.

Teks, penutur dan bahasa

Inputnya ialah transkrip yang akan dituturkan, dengan suara terpilih dan arahan ekspresif pilihan dalam SSML. Katalog suara terurus membezakan penutur, locale dan versi model. Harper dan Grant ialah contoh penutur bernama dengan entri khusus bahasa. Gunakan teks dalam bahasa sasaran yang dimaksudkan dan pilih locale yang sesuai; ucapan bahasa Inggeris yang disediakan dan penerangan bahasa Sepanyol ialah petikan lisan berasingan, masing-masing dengan susunan katanya sendiri.

Kad model mendokumentasikan identiti suara yang konsisten merentas bahasa yang disokong dan berbilang penutur untuk dialog. Ini boleh menyokong aplikasi yang memerlukan seorang narator yang boleh dikenali merentas prompt setempat, atau dialog ringkas dengan peranan berbeza. Tetapkan baris dialog kepada penutur yang dimaksudkan secara jelas dan kekalkan penetapan itu. Audio ialah versi lisan skrip tersebut, bukannya jawapan baharu yang dikarang daripada soalan terbuka.

Nada dan gaya pertuturan

Microsoft mendokumentasikan kawalan emosi dan penyampaian pada peringkat ayat serta giliran melalui SSML. Gaya yang tersedia bergantung pada suara terpilih. Katalog terurus merangkumi gaya tugas seperti narrator, educational dan customer_call_center, bersama gaya ekspresif bagi penutur tertentu. Contohnya, entri Harper AS merangkumi joyful dan relieved. Pilih gaya yang disokong oleh suara itu, bukannya menganggap setiap penutur menerima set yang sama.

Ayat sokongan yang praktikal ialah: “Saya boleh membantu anda mencari dokumen yang betul. Beritahu saya tajuknya, atau terangkan topiknya.” Pastikan permintaan cukup ringkas untuk pendengar bertindak, dan pilih penyampaian tenang atau menggalakkan yang sesuai dengan interaksi. Untuk aktiviti pembelajaran, tulis penerangan dan soalan seterusnya sebagai unit lisan berasingan. Ekspresi membantu menyampaikan makna apabila skrip menjelaskan perubahan tujuan.

Penstriman dan penghantaran audio

Kad model Flash secara khusus mendokumentasikan output penstriman untuk dialog langsung, termasuk aliran kerja yang mengendalikan pendengar bercakap semasa respons masih dimainkan. Aplikasi boleh memainkan audio sebaik sahaja ia tiba dan menyelaraskan gangguan serta giliran seterusnya. Ini menjadikan pemasaan mesej lisan sebahagian daripada interaksi, tanpa memerlukan setiap respons disediakan terlebih dahulu sebagai rakaman lengkap.

Pengeluar membolehkan aliran kerja sintesis menetapkan format outputnya. Contoh yang diterbitkannya menghasilkan fail MP3 mono pada 24 kHz dan 160 kbit/s. Itu ialah satu konfigurasi output yang didokumentasikan, bukannya sekatan format natif tetap. Pilih perwakilan audio yang diterima oleh laluan main balik sasaran dan simpan maklumat penutur serta susunan kata yang dituturkan untuk menyemak hasil.

Mod suara rujukan pilihan

Mod suara tersuai Microsoft boleh memadankan penutur yang telah memberikan persetujuan daripada klip rujukan lima hingga enam puluh saat tanpa penalaan halus. Kad model mengesyorkan penyampaian perbualan semula jadi dengan tenaga sederhana kerana rujukan mempengaruhi persembahan yang dijana. Mod ini mempunyai proses kelulusan pengeluar dan persetujuan yang dirakam secara berasingan; suara pustaka praset menggunakan laluan persediaan yang berbeza.

Untuk rujukan yang bertujuan menentukan narator jenama, gunakan petikan yang bersih dan mewakili gaya yang dikehendaki serta tentukan penyampaian yang patut dibawa ke skrip baharu. Untuk pertuturan praset, sediakan nama sebenar, arahan dan frasa bahasa sasaran yang akan digunakan oleh aplikasi. Dengar petikan itu dalam suara terpilih dan periksa peralihan antara giliran. Hasil yang berguna ialah interaksi lisan ekspresif dengan penutur yang dipilih secara sengaja, teks yang jelas dan audio yang sesuai dengan persekitaran main balik pendengar.