Microsoft AI: MAI-Voice-2

MAI-Voice-2 er Microsoft AIs promptstyrte tekst-til-tale-modell for naturlig, uttrykksfullt muntlig innhold. Produsenten fremhever akustisk gjengivelse, talerkonsistens og følelsesmessig spenn. De dokumenterte oppgavene omfatter assistenter, lydbøker, podkaster, forelesninger, undervisningskarakterer og opplesning for økt tilgjengelighet. Transkripsjonstekst blir lyd med en valgt stemme; Voice-2-Flash-varianten har sin egen profil for interaksjoner der umiddelbar respons prioriteres.

Språk og taler

Microsofts Voice-2-utgivelse beskriver femten språk, blant annet engelsk, fransk, tysk, italiensk, spansk, portugisisk, hindi, koreansk, forenklet kinesisk, tyrkisk, russisk, thai, nederlandsk, rumensk og ungarsk. Enkelte språk har separate regionale varianter. Utgivelsen beskriver også kodeveksling mellom hindi og engelsk og mellom spansk og engelsk, slik at utvalgte avsnitt med blandede språk kan bevare måten en taler naturlig veksler språk på.

Forbered de faktiske ordene som skal sies og bevar det tiltenkte språket. Et tospråklig undervisningsavsnitt kan innføre et uttrykk på ett språk og forklare det på et annet, samtidig som navn og sitater bevares. Taleresultatet bør kontrolleres med aksenten og publikummet innholdet krever, i stedet for å behandle alle lokale varianter som om de kan brukes om hverandre.

Modellkortet tilbyr et kuratert stemmebibliotek og en separat vei for prompting med referansestemme. Referansetale gir den ønskede taleridentiteten uten finjustering. Microsoft anbefaler naturlig samtalepreget fremføring med moderat energi fordi opptaket påvirker tempo og fremføring. Bruk et representativt opptak med samtykke når oppgaven trenger en tilpasset stemme.

Lengre fortelleropptak og dialog

Modellkortet dokumenterer generering av lengre innhold gjennom oppdeling med videreført kontekst. Dette støtter sammenhengende fortellerinnhold som et kapittel, en leksjon eller en serie podkastavsnitt. Del manuset ved meningsfulle avsnittsgrenser og behold konsistent terminologi og talervalg. En lang forklaring har nytte av muntlige overganger som forteller lytteren når emnet endrer seg.

Støtte for flere talere gir ulike roller i en forberedt dialog. Tildel spørsmål og svar til de tiltenkte talerne og behold tildelingene når en rolle kommer tilbake. Inndataene bør inneholde de endelige replikkene og relevante fremføringsinstruksjoner, ikke en åpen forespørsel som ber talesyntetisatoren finne på samtalen.

Tone og følelsesmessig fremføring

Microsoft dokumenterer finmasket kontroll av tone, fremføring og følelse per samtaletur. Utgivelseseksemplene viser uttrykksfulle taleroller og følelsesladde avsnitt. I en fortelling avgjør du hvilken setning som er faktabasert, reflekterende eller begeistret, og bruker deretter en fremføring som følger betydningen. En praktisk replikk er: «Den stilleste delen av eksperimentet viste seg å være den mest avslørende. Det var der mønsteret først ble tydelig.» Ordlyden gir fremføringen en bevisst endring i betoning.

Til en instruerende voiceover holder du handlingen tydelig og forklaringen i en separat setning. Til dialog skiller du karakterens replikk fra scenenotater. Lytt til gjentatte navn og overganger mellom avsnitt, slik at den endelige sekvensen er sammenhengende.

Bruk lyden

Utdataene er nygenerert tale til den oppgitte transkripsjonsteksten. Den nyttige formen er et fortelleropptak, en dialog eller et muntlig applikasjonssvar der stemme og fremføring følger manuset. Hold tekst, taler og avsnittsrekkefølge knyttet til opptaket slik at en korrigering endrer riktig avsnitt uten å miste resten av fremføringen.

MAI-Voice-2 legger vekt på naturlighet og uttrykk i en lengre lytteopplevelse. Evnen til lengre innhold definerer ikke ubegrensede inndata eller en garantert maksimal opptaksvarighet. Den eksakte Voice-2-beskrivelsen forblir adskilt fra den utvidede språkkatalogen og stemmeinnstillingene i de senere Voice-2.1-utgavene.