Microsoft AI: MAI-Voice-2

MAI-Voice-2 firmy Microsoft AI tworzy ekspresyjną wielojęzyczną mowę do narracji, dialogów i aplikacji głosowych. Spójność długich treści, wielu mówców i kontrola emocji na poziomie tury wspierają audiobooki, lekcje i głosy postaci.

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

O modelu

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

MAI-Voice-2 to sterowany promptem model zamiany tekstu na mowę Microsoft AI do naturalnych, ekspresyjnych treści mówionych. Producent podkreśla wierność akustyczną, spójność mówcy i zakres emocjonalny. Udokumentowane zadania obejmują asystentów, audiobooki, podcasty, wykłady, postacie edukacyjne i narrację wspierającą dostępność. Tekst wypowiedzi staje się audio wybranym głosem; wariant Voice-2-Flash ma własny profil dla interakcji, w których priorytetem jest natychmiastowa odpowiedź.

Język i mówca

Wydanie Voice-2 Microsoft opisuje piętnaście języków: angielski, francuski, niemiecki, włoski, hiszpański, portugalski, hindi, koreański, chiński uproszczony, turecki, rosyjski, tajski, niderlandzki, rumuński i węgierski. Niektóre języki mają osobne warianty regionalne. Wydanie opisuje też przełączanie hindi–angielski i hiszpański–angielski, dzięki czemu wybrane fragmenty mieszane językowo mogą zachować naturalny sposób przechodzenia mówcy między językami.

Przygotuj rzeczywiste słowa do wypowiedzenia i zachowaj ich zamierzony język. Dwujęzyczny fragment edukacyjny może wprowadzać termin w jednym języku i wyjaśniać go w drugim, zachowując nazwy i cytaty. Wynik mówiony należy oceniać pod kątem akcentu i odbiorców wymaganych przez materiał, zamiast traktować wszystkie warianty regionalne zamiennie.

Karta modelu udostępnia wyselekcjonowaną bibliotekę głosów i osobną ścieżkę promptowania głosem referencyjnym. Mowa referencyjna nadaje pożądaną tożsamość mówcy bez dostrajania. Microsoft zaleca naturalną wypowiedź konwersacyjną o umiarkowanej energii, ponieważ nagranie wpływa na tempo i sposób wypowiedzi. Gdy zadanie wymaga głosu niestandardowego, użyj reprezentatywnego nagrania z odpowiednią zgodą.

Dłuższa narracja i dialog

Karta modelu dokumentuje generowanie długich treści przez podział na fragmenty z przenoszeniem kontekstu. Wspiera to powiązaną narrację, taką jak rozdział, lekcja lub sekwencja fragmentów podcastu. Dziel scenariusz na znaczących granicach sekcji i zachowuj spójną terminologię oraz wybór mówcy. Długie objaśnienie zyskuje na mówionych przejściach informujących słuchacza o zmianie tematu.

Obsługa wielu mówców pozwala nadać różne role w przygotowanym dialogu. Przypisz pytanie i odpowiedź właściwym mówcom i zachowuj te przypisania, gdy rola powraca. Wejście powinno zawierać końcowe kwestie i właściwe wskazówki wykonania, a nie otwartą prośbę do syntezatora mowy o wymyślenie rozmowy.

Ton i emocjonalna realizacja

Microsoft dokumentuje szczegółowe sterowanie tonem, sposobem wypowiedzi i emocjami na poziomie tury. Przykłady wydania pokazują ekspresyjne role mówione i fragmenty emocjonalne. W narracji ustal, które zdanie jest rzeczowe, refleksyjne lub podekscytowane, a następnie zastosuj realizację zgodną z tym znaczeniem. Praktyczna wypowiedź brzmi: „Najcichsza część eksperymentu okazała się najbardziej odkrywcza. To właśnie wtedy wzorzec po raz pierwszy stał się jasny”. Tekst nadaje wykonaniu zamierzoną zmianę akcentowania.

W instruktażowym nagraniu lektorskim jasno podaj działanie, a objaśnienie umieść w osobnym zdaniu. W dialogu odróżniaj wypowiadane słowa postaci od notatek scenicznych. Odsłuchuj powtarzane nazwy i przejścia między fragmentami, aby końcowa sekwencja pozostawała spójna.

Wykorzystaj audio

Wyjściem jest nowo wygenerowana mowa dla dostarczonego tekstu. Użyteczną formą jest narracja, dialog lub odpowiedź głosowa aplikacji, których głos i sposób wypowiedzi wynikają ze scenariusza. Zachowaj powiązanie nagrania z tekstem, mówcą i kolejnością sekcji, aby poprawka zmieniała zamierzony fragment bez utraty pozostałej interpretacji.

MAI-Voice-2 kładzie nacisk na naturalność i ekspresję w dłuższym doświadczeniu słuchowym. Możliwość długich treści nie oznacza nieograniczonego wejścia ani gwarantowanej maksymalnej długości nagrania. Opis dokładnie Voice-2 pozostaje odrębny od rozszerzonego katalogu języków i ustawień głosu późniejszych wersji Voice-2.1.

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

microsoft/mai-voice-2

Microsoft AI /microsoft/mai-voice-2

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	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 $0.044 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

Ceny według konfiguracji

Konfiguracja	Warunki rozliczania	Opłata
KonfiguracjaMicrosoft AI: MAI-Voice-2 · Domyślna konfiguracja	Warunki rozliczaniaKonfiguracja domyślna	Opłata Wejście · Znaki wejściowe 0,000044 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", "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

Aliasy ścieżek metod

Użyj ścieżek metod podanych powyżej.

Powiązane ID modeli

microsoft/mai-voice-2

FAQ · Microsoft AI: MAI-Voice-2

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

Microsoft AI: MAI-Voice-2