Microsoft AI: MAI-Voice-2-Flash

Microsoft AIs MAI-Voice-2-Flash genererer uttrykksfull tale på 15 språk til assistenter, kundestøtte og muntlige menyer. Den kombinerer rask fremføring med et kuratert stemmebibliotek, prompting med referansestemme og tonekontroll per samtaletur.

Ailoot Ultra · Talesyntese POST /v1/audio/speech microsoft/mai-voice-2-flash

Om modellen

Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.

MAI-Voice-2-Flash er Microsoft AIs tekst-til-tale-modell laget for stemmeopplevelser med rask respons og høyt volum. Produsenten beskriver naturlig prosodi, klar lyd og uttrykksfull fremføring, med assistenter, kundestøtteagenter og telefonmenyer blant hovedoppgavene. Skriftlig transkripsjonstekst blir talelyd med den valgte stemmen. Flash er en bestemt variant av MAI-Voice-2, adskilt fra den senere MAI-Voice-2.1-familien.

Valg av språk og stemme

Det eksakte modellkortet dokumenterer femten språk og atten lokale varianter. De dekker engelsk, italiensk, spansk, hindi, fransk, tysk, portugisisk, koreansk, forenklet kinesisk, tyrkisk, russisk, thai, nederlandsk, rumensk og ungarsk, med separate regionale varianter for enkelte språk. Velg det tiltenkte språket og forbered den faktiske ordlyden lytteren skal høre. En lokal variant kan ha betydning for en hilsen, et produktnavn eller en uttale publikum kjenner.

Microsoft dokumenterer to veier til stemmevalg: et kuratert bibliotek og stemmeprompting fra et kort opptak. Biblioteket gir en eksisterende taler til et fortelleropptak eller en interaksjon. Et referanseopptak definerer en annen taleridentitet gjennom produsentens arbeidsflyt for tilpasset stemme. Behold samme talervalg på tvers av relaterte meldinger, slik at åpningsmeldingen, forklaringen og oppfølgingen høres ut som deler av én opplevelse.

Tone for interaktiv tale

Modellen støtter kontroll av tone, fremføring og følelse per samtaletur. Til en taleassistent skriver du en kort første instruksjon og deretter detaljen lytteren trenger. En praktisk replikk er: «Velg dokumentet du vil åpne. Hvis du er usikker på tittelen, kan du fortelle meg hva det handler om.» Manuset gir lytteren en tydelig handling og lar det være rom for et oppfølgingsspørsmål.

I en undervisningssamtale skiller du forklaringen fra spørsmålet eleven skal svare på. Til en meny holder du alternativnavn korte og bruker ordlyd som er tydelig når den høres én gang. Tonen bør følge avsnittets formål: en beroligelse, en instruksjon og et spørsmål kan kreve forskjellig fremføring med samme stemme.

Forberedelse av referansestemme

Produsenten spesifiserer et opptak på fem til seksti sekunder for stemmeprompting og beskriver etterligning av taleren som har samtykket, uten ytterligere trening. Den anbefaler naturlig samtalepreget fremføring med moderat energi fordi referansen påvirker resultatet betydelig. Forbered et opptak som representerer stemmen du vil bruke, i stedet for en fremføring med uvedkommende ytterpunkter i volum eller uttrykk.

Denne modusen er dokumentert for en autorisert stemme med samtykke. Produsentens arbeidsflyt og det forhåndsdefinerte stemmebiblioteket er separate forberedelsesveier. Utdata er fortsatt nysyntetisert tale fra den oppgitte transkripsjonsteksten; opptaket gir den ønskede taleridentiteten.

Arbeid med taleresultatet

Bruk Flash til en interaksjon der svaret skal leveres raskt og være lett å forstå. Produsenten retter varianten mot rask respons samtidig som prosodien og den akustiske kvaliteten fra MAI-Voice-2-serien bevares. Hold hver samtaletur knyttet til tekst og taler slik at viktige navn, kommandoer og følelsesskift kan gjennomgås i kontekst.

Et nyttig resultat er en tydelig muntlig melding eller respons på riktig språk og med riktig stemme. Lytt til ordlyden slik publikum vil høre den, særlig i en serie meldinger. Modellens spesifikasjon med femten språk og atten lokale varianter tilhører den eksakte Voice-2-Flash-utgaven; den utvidede språkkatalogen og detaljene om administrerte stemmer i senere versjoner tilhører deres egne profiler.

Ailoot Ultra · Talesyntese POST /v1/audio/speech microsoft/mai-voice-2-flash

microsoft/mai-voice-2-flash

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

Start

Godkjente inndata: Tekst
Resultater: Lyd

Tilgjengelig i Ailoot · inndata & metoder

Ailoot Ultra · Talesyntese POST /v1/audio/speech

Inndatatyper: text
Utdatatyper: audio
Utdataformat: mp3

Felt	Type	Krav	Verdier & grenser	Standard
Felt`model`	Type`string`	KravPåkrevd	Verdier & grenser microsoft/mai-voice-2-flash	Standard—
Felt`input`	Type`string`	KravPåkrevd	Verdier & grenser Minste lengde: 1 Enhet: Unicode-tegn	Standard—
Felt`voice`	Type`string`	KravPåkrevd	Verdier & grenser en-US-Harper:MAI-Voice-2, es-MX-Valeria:MAI-Voice-2, fr-FR-Soleil:MAI-Voice-2, de-DE-Klaus:MAI-Voice-2	Standard—
Felt`response_format`	Type`string`	KravPåkrevd	Verdier & grenser mp3	Standard—

Kombinasjoner av inngående materialer

text_to_speech · Påkrevd: input

Metodeparametere og livssyklus

Parameter	Avtale
Parameter`content_type`	Avtaleapplication/json
Parameter`required`	Avtalemodel, input, voice, response_format
Parameter`voice_ids`	Avtaleen-US-Harper:MAI-Voice-2, es-MX-Valeria:MAI-Voice-2, fr-FR-Soleil:MAI-Voice-2, de-DE-Klaus:MAI-Voice-2
Parameter`response_format`	Avtalemp3
Parameter`max_input_characters`	Avtalenull
Parameter`other_options`	Avtalefalse
Parameter`input`	AvtaleEksakt UTF-8-tekst; antall Unicode-tegn uten normalisering
Parameter`material_types`	Avtaletext

Livssyklus: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · faktisk returnert task_id eller oppføring i mediebiblioteket

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Velg den eksakte stemmen fra denne modellprofilen.

Inndatategn og lydsekunder er ulike måleenheter for forbruk.

Priser

Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.

Hurtigmodus: Ikke angitt Når hurtigmodus er valgt
Flex-modus: Ikke angitt Når flex-modus er valgt
Maksimal resonneringsinnsats: Ikke angitt Når justeringen «default» brukes for maksimal resonneringsinnsats

Ailoot-satser

Priser etter konfigurasjon

Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.

Konfigurasjon	Prisplan	Fakturerbar mengde	Faktureringsenhet	Kostnad
KonfigurasjonGrunnpriser for tokener	PrisplanGrunnsats	Fakturerbar mengde—	Faktureringsenhet—	Kostnad Inndata · Inngående tokener — / 1K tokener Utdata · Utgående tokener — / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener
KonfigurasjonUltra	Prisplan—	Fakturerbar mengdeHvert Unicode-kodepunkt teller som ett tegn, også Han-tegn.	Faktureringsenhetper 1K inndatategn	Kostnad Inndata · inndatategn $0.03 per 1K inndatategn

Detaljer om referansetariffen

Referanseprisplaner på modellnivå endrer ikke metodevalg, prisoverslag eller kostnader. Aktive kostnader bruker satsene til den valgte Ailoot-metoden.

Microsoft AI: MAI-Voice-2-Flash

Priser etter konfigurasjon

Konfigurasjon	Faktureringsvilkår	Kostnad
KonfigurasjonMicrosoft AI: MAI-Voice-2-Flash · Standardkonfigurasjon	FaktureringsvilkårStandardkonfigurasjon	Kostnad Inndata · Inngående tegn 0,00003 USD per inndatategn

Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →

Eksempelforespørsler

Ailoot Ultra · Talesyntese

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

Motta og lagre resultater

Ailoot Ultra · Talesyntese

mp3

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

Andre innholdslesinger

MediebibliotekOppgavestatusRessursdetaljer

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

Behold alle ferdige resultater

Behold alle fullstendige returnerte svar, filer og innholdsdeler.

Bevar hele det binære resultatet og svarhodene. Hvis JSON eller flere utdata returneres, bevar hvert dataelement og hent innholdet fra hver faktiske signerte ressurs-URL.

Hvis det opprinnelige svaret må kontrolleres

Bevar opprinnelig operation_id/X-Client-Request-ID for avstemming uten ny innsending; det finnes ingen egen rute for å spørre etter lydstatus.

Svarfelter

Felt	Type
Felt`binary audio`	Typebytes
Felt`response headers`	Typeheaders

Feil og neste trinn

Svar	Vilkår	Neste trinn
Svar400 · `invalid_request_error`	VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi	Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel.
Svar`server_error`	VilkårDet returnerte svaret angir at operasjonen eller resultatet må kontrolleres	Neste trinnBevar den opprinnelige returnerte operasjons-/oppgave-ID-en, forespørselshodene og svaret; fortsett å lese den opprinnelige operasjonen på de støttede måtene. Ikke send opprettelsesforespørselen på nytt.

Aliaser

Modellaliaser

Ailoot Ultra microsoft/mai-voice-2-flash

Aliaser for metodestier

Bruk metodestiene som vises ovenfor.

Tilknyttede anroper-ID-er

microsoft/mai-voice-2-flash

FAQ · Microsoft AI: MAI-Voice-2-Flash

Hvilke inndata og resultater er tilgjengelige?: POST /v1/audio/speech · microsoft/mai-voice-2-flash: text → audio
Hvilke felt bruker forespørselen?: POST /v1/audio/speech · microsoft/mai-voice-2-flash: model, input, voice, response_format

Microsoft AI: MAI-Voice-2-Flash