Microsoft AI: MAI-Voice-2-Flash

MAI-Voice-2-Flash firmy Microsoft AI generuje ekspresyjną mowę w 15 językach dla asystentów, obsługi klienta i menu głosowych. Łączy szybką reakcję z wyselekcjonowaną biblioteką głosów, promptowaniem głosem referencyjnym i sterowaniem tonem na poziomie tury.

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

O modelu

Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.

MAI-Voice-2-Flash to model zamiany tekstu na mowę Microsoft AI przeznaczony do szybko reagujących doświadczeń głosowych na dużą skalę. Producent opisuje naturalną prozodię, wyraźne audio i ekspresyjną wypowiedź, wskazując asystentów, agentów obsługi klienta i menu telefoniczne jako główne zadania. Pisemny tekst wypowiedzi staje się audio wybranym głosem. Flash jest konkretnym wariantem MAI-Voice-2, odrębnym od późniejszej rodziny MAI-Voice-2.1.

Wybór języka i głosu

Karta dokładnie tego modelu dokumentuje piętnaście języków i osiemnaście wariantów regionalnych. Obejmują angielski, włoski, hiszpański, hindi, francuski, niemiecki, portugalski, koreański, chiński uproszczony, turecki, rosyjski, tajski, niderlandzki, rumuński i węgierski, z osobnymi wariantami regionalnymi dla niektórych języków. Wybierz docelowy język i przygotuj rzeczywiste słowa, które słuchacz ma usłyszeć. Rozróżnienie regionalne może mieć znaczenie dla powitania, nazwy produktu lub wymowy znanej odbiorcom.

Microsoft dokumentuje dwie ścieżki wyboru głosu: wyselekcjonowaną bibliotekę i promptowanie głosem z krótkiego nagrania. Biblioteka zapewnia istniejącego mówcę do narracji lub interakcji. Nagranie referencyjne definiuje inną tożsamość mówcy poprzez proces głosu niestandardowego producenta. Zachowaj spójny wybór mówcy w powiązanych komunikatach, aby wiadomość otwierająca, objaśnienie i dalsza odpowiedź brzmiały jak części jednego doświadczenia.

Ton mowy interaktywnej

Model obsługuje sterowanie tonem, sposobem wypowiedzi i emocjami na poziomie tury. Dla asystenta głosowego napisz zwięzłą pierwszą instrukcję, a następnie szczegóły potrzebne słuchaczowi. Praktyczna wypowiedź brzmi: „Wybierz dokument, który chcesz otworzyć. Jeśli nie masz pewności co do tytułu, powiedz, czego dotyczy”. Scenariusz daje słuchaczowi jasne działanie, pozostawiając miejsce na kolejne pytanie.

W rozmowie edukacyjnej oddziel objaśnienie od pytania, na które ma odpowiedzieć uczeń. W menu zachowaj krótkie nazwy opcji i sformułowania zrozumiałe po jednorazowym usłyszeniu. Ton powinien wynikać z celu fragmentu: uspokojenie, instrukcja i pytanie mogą wymagać innej realizacji, zachowując ten sam głos.

Przygotowanie głosu referencyjnego

Producent określa nagranie od pięciu do sześćdziesięciu sekund do promptowania głosem i opisuje dopasowanie mówcy, który wyraził zgodę, bez dodatkowego treningu. Zaleca naturalną wypowiedź konwersacyjną o umiarkowanej energii, ponieważ referencja znacząco wpływa na wynik. Przygotuj nagranie reprezentujące głos, którego chcesz użyć, zamiast wykonania z niepowiązanymi skrajnościami głośności lub ekspresji.

Tryb ten jest udokumentowany dla autoryzowanego głosu osoby, która wyraziła zgodę. Proces producenta i biblioteka gotowych głosów są oddzielnymi ścieżkami przygotowania. Wyjściem nadal jest nowo zsyntetyzowana mowa z dostarczonego tekstu; nagranie określa pożądaną tożsamość mówcy.

Pracuj z wynikiem mówionym

Używaj Flash do interakcji, w których odpowiedź powinna nadejść szybko i pozostać łatwa do zrozumienia. Producent pozycjonuje ten wariant wokół responsywności przy zachowaniu prozodii i jakości akustycznej linii MAI-Voice-2. Powiąż każdą turę mówioną z jej tekstem i mówcą, aby można było oceniać ważne nazwy, polecenia i zmiany emocji w kontekście.

Użytecznym wynikiem jest wyraźny komunikat lub odpowiedź w wymaganym języku i głosie. Odsłuchaj słowa tak, jak usłyszą je odbiorcy, zwłaszcza w sekwencji komunikatów. Specyfikacja piętnastu języków i osiemnastu wariantów regionalnych należy do dokładnej wersji Voice-2-Flash; rozszerzony katalog języków i szczegóły zarządzanych głosów późniejszych wersji należą do ich własnych profili.

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

microsoft/mai-voice-2-flash

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

Start

Akceptowane dane wejściowe: Tekst
Wyniki: Audio

Dostępne w Ailoot · dane wejściowe i metody

Ailoot Ultra · Synteza mowy POST /v1/audio/speech

Wejście: text
Wyjście: audio
Format wyjściowy: mp3

Pole	Typ	Wymaganie	Wartości i limity	Domyślnie
Pole`model`	Typ`string`	WymaganieWymagane	Wartości i limity microsoft/mai-voice-2-flash	Domyślnie—
Pole`input`	Typ`string`	WymaganieWymagane	Wartości i limity Minimalna długość: 1 Jednostka: znaki Unicode	Domyślnie—
Pole`voice`	Typ`string`	WymaganieWymagane	Wartości i limity en-US-Harper:MAI-Voice-2, es-MX-Valeria:MAI-Voice-2, fr-FR-Soleil:MAI-Voice-2, de-DE-Klaus:MAI-Voice-2	Domyślnie—
Pole`response_format`	Typ`string`	WymaganieWymagane	Wartości i limity mp3	Domyślnie—

Kombinacje materiałów wejściowych

text_to_speech · Wymagane: input

Parametry i cykl życia metody

Parametr	Kontrakt
Parametr`content_type`	Kontraktapplication/json
Parametr`required`	Kontraktmodel, input, voice, response_format
Parametr`voice_ids`	Kontrakten-US-Harper:MAI-Voice-2, es-MX-Valeria:MAI-Voice-2, fr-FR-Soleil:MAI-Voice-2, de-DE-Klaus:MAI-Voice-2
Parametr`response_format`	Kontraktmp3
Parametr`max_input_characters`	Kontraktnull
Parametr`other_options`	Kontraktfalse
Parametr`input`	Kontraktdokładny tekst UTF-8; liczba znaków Unicode bez normalizacji
Parametr`material_types`	Kontrakttext

Cykl życia: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · Rzeczywiście zwrócony task_id lub wpis w bibliotece multimediów

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Wybierz dokładny głos z profilu tego modelu.

Znaki wejściowe i sekundy dźwięku to różne jednostki pomiaru.

Cennik

Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.

Tryb szybki: Nie określono Gdy wybrany jest tryb szybki
Tryb flex: Nie określono Gdy wybrany jest tryb flex
Maksymalna intensywność rozumowania: Nie określono Gdy dla maksymalnej intensywności rozumowania stosowana jest domyślna korekta (default)

Stawki Ailoot

Ceny według konfiguracji

Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.

Konfiguracja	Tabela stawek	Ilość rozliczana	Jednostka rozliczeniowa	Opłata
KonfiguracjaBazowe stawki za tokeny	Tabela stawekStawka podstawowa	Ilość rozliczana—	Jednostka rozliczeniowa—	Opłata Wejście · Tokeny wejściowe — / 1K tokenów Wyjście · Tokeny wyjściowe — / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów
KonfiguracjaUltra	Tabela stawek—	Ilość rozliczanaKażdy punkt kodowy Unicode liczy się jako jeden znak, w tym znaki Han.	Jednostka rozliczeniowaza 1K znaków wejściowych	Opłata Wejście · znak wejściowy $0.03 za 1K znaków wejściowych

Szczegóły taryfy referencyjnej

Referencyjne tabele modelu nie zmieniają wyboru metody, wyceny ani opłat. Naliczane opłaty korzystają ze stawek wybranej metody Ailoot.

Microsoft AI: MAI-Voice-2-Flash

Ceny według konfiguracji

Konfiguracja	Warunki rozliczania	Opłata
KonfiguracjaMicrosoft AI: MAI-Voice-2-Flash · Domyślna konfiguracja	Warunki rozliczaniaKonfiguracja domyślna	Opłata Wejście · Znaki wejściowe 0,00003 USD za znak wejściowy

Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →

Przykładowe żądania

Ailoot Ultra · Synteza mowy

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

Odbieranie i zapisywanie wyników

Ailoot Ultra · Synteza mowy

mp3

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

Inne odczyty treści

Biblioteka multimediówStatus zadaniaSzczegóły pliku

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

Zachowaj wszystkie ukończone wyniki

Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.

Zachowaj pełny wynik binarny i nagłówki. Jeśli zwrócono JSON lub wiele wyników, zachowaj każdy element danych i pobierz zasób spod każdego rzeczywiście zwróconego podpisanego adresu URL.

Jeśli trzeba sprawdzić pierwotną odpowiedź

Zachowaj pierwotny operation_id/X-Client-Request-ID do uzgodnienia danych bez ponownego wysyłania żądania; brak osobnej ścieżki API do cyklicznego sprawdzania stanu audio.

Pola odpowiedzi

Pole	Typ
Pole`binary audio`	Typbytes
Pole`response headers`	Typheaders

Błędy i dalsze kroki

Odpowiedź	Warunek	Następny krok
Odpowiedź400 · `invalid_request_error`	WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru	Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia.
Odpowiedź`server_error`	WarunekZwrócona odpowiedź wskazuje, że operacja lub wynik wymaga sprawdzenia	Następny krokZachowaj pierwotnie zwrócony identyfikator operacji lub zadania, nagłówki żądania i odpowiedź; kontynuuj obsługiwane odczyty tej pierwotnej operacji. Nie wysyłaj ponownie żądania utworzenia.

Aliasy

Aliasy modelu

Ailoot Ultra microsoft/mai-voice-2-flash

Aliasy ścieżek metod

Użyj ścieżek metod podanych powyżej.

Powiązane ID modeli

microsoft/mai-voice-2-flash

FAQ · Microsoft AI: MAI-Voice-2-Flash

Jakie dane wejściowe i wyniki są dostępne?: POST /v1/audio/speech · microsoft/mai-voice-2-flash: text → audio
Jakich pól używa żądanie?: POST /v1/audio/speech · microsoft/mai-voice-2-flash: model, input, voice, response_format

Microsoft AI: MAI-Voice-2-Flash