Microsoft AI: MAI-Voice-2.1

MAI-Voice-2.1 ialah model teks ke pertuturan berpandukan prompt daripada Microsoft AI untuk kerja yang mementingkan penyampaian ekspresif dan kesetiaan audio. Kad modelnya meliputi dua puluh tiga bahasa dan dua puluh enam varian setempat, dengan intonasi, irama dan nuansa emosi yang semula jadi. Pengeluar mengenal pasti buku audio, narasi media, penciptaan kandungan dan suara latar sebagai kegunaan utama. Edisi ini menekankan kandungan ekspresif yang lebih panjang; MAI-Voice-2.1-Flash ialah pilihan berasingan yang direka untuk interaksi yang sensitif terhadap kependaman.

Narasi dengan penutur yang konsisten

Kad model mendokumenkan satu identiti suara yang dihasilkan secara konsisten merentas bahasa yang disokong. Penjanaan bentuk panjang menggunakan pembahagian kepada cebisan dan penerusan konteks untuk meningkatkan kesinambungan antara petikan. Ini berguna untuk pelajaran, bab buku audio atau rangkaian bahagian suara latar yang berkaitan dan perlu mengekalkan perwatakan pencerita. Sediakan petikan yang koheren dengan sempadan yang jelas dan kekalkan pilihan penutur yang sama sepanjang karya.

Inputnya ialah transkrip akhir, dengan rujukan penutur pilihan dan kawalan ekspresif SSML. Taklimat narasi patut membezakan perkara yang didengar oleh pendengar daripada nota produksi. Untuk penerangan teknikal, tulis pengenalan yang jelas, kemudian langkah sebenar dan arahan penutup. Kekalkan nama produk dan istilah berulang dalam bentuk bertulis yang konsisten. Untuk narasi yang disetempatkan, sediakan skrip bahasa sasaran; bahasa dan suara pilihan menentukan cara ia dituturkan.

Penutur, peranan dan kawalan ekspresif

Microsoft menyediakan pustaka suara yang dipilih susun dan mendokumenkan berbilang penutur untuk dialog. Harper dan Grant menggambarkan identiti penutur dengan entri bagi beberapa varian setempat. Perbualan pendidikan dua orang boleh memberikan soalan dan penerangan kepada suara yang berbeza, dengan mengekalkan penugasan yang sama apabila sesuatu peranan muncul semula. Labelkan baris pertuturan dengan jelas supaya perbualan yang dikehendaki diwakili dalam input sintesis.

Nada dan penyampaian boleh dibentuk pada peringkat giliran atau ayat melalui SSML. Gaya adalah khusus kepada penutur: katalog terurus menyenaraikan gaya pencerita atau pendidikan yang berorientasikan tugas untuk suara yang sesuai, serta pilihan emosi seperti gembira atau lega untuk suara lain. Entri Harper AS menyokong kedua-dua gaya emosi itu. Pilih penutur bersama gaya penyampaiannya yang didokumenkan dan bukannya memindahkan gaya daripada suara lain.

Untuk cerita atau pembentangan, ekspresiviti boleh membezakan penerangan fakta, petikan bersifat renungan dan petikan kata-kata yang penuh semangat. Ayat praktikal ialah: “Percubaan pertama memberikan gambaran yang tidak lengkap kepada kami. Melihat keseluruhan urutan menjadikan langkah yang hilang itu jelas.” Tentukan tempat makna berubah dan sediakan unit pertuturan sewajarnya. Dengar peralihannya supaya penyampaian mengikuti naratif dan bukannya menjadikan setiap ayat sama kuat penekanannya.

Suara rujukan dan hasil audio

Mod suara tersuai pilihan memadankan penutur yang telah memberikan persetujuan berdasarkan rujukan audio selama lima hingga enam puluh saat tanpa penalaan halus. Microsoft mengesyorkan penyampaian perbualan yang semula jadi dan tenaga sederhana dalam rujukan itu, kerana sampel mempengaruhi suara yang dijana. Aliran kerja suara tersuainya memerlukan kelulusan pengeluar dan pernyataan persetujuan yang dirakam. Pustaka terbina dalam ialah laluan pemilihan suara yang berasingan.

Pengeluar membenarkan format output dipilih, dan contoh sintesis yang diterbitkannya menyimpan MP3 mono pada 24 kHz dan 160 kbit/s. Tetapan ini menerangkan satu aliran kerja output. Pilih perwakilan audio untuk peringkat penyuntingan atau main balik seterusnya, dan pastikan skrip, penutur serta susunan bahagian dikaitkan dengan rakaman. Bab atau pelajaran yang siap boleh mengandungi beberapa petikan yang dijana sambil kekal sebagai satu pengalaman mendengar yang koheren.

Gunakan hasil bentuk panjang

MAI-Voice-2.1 berorientasikan pertuturan yang semula jadi dan ekspresi apabila masa respons segera kurang penting berbanding persembahan pertuturan. Untuk karya yang panjang, semak nama berulang, sempadan bahagian, suara yang diberikan kepada dialog dan perubahan nada emosi. Dokumentasi menetapkan keupayaan bentuk panjang serta mekanisme ketekalan tanpa menyatakan skrip tanpa had atau tempoh rakaman maksimum yang dijamin. Hasil praktikal ialah audio ekspresif yang pencerita, perkataan dan perkembangannya sepadan dengan bahan yang telah disediakan.