Microsoft AI: MAI-Voice-2.1-Flash

O MAI-Voice-2.1-Flash é o modelo de conversão de texto em voz por instruções da Microsoft AI, concebido para interação falada com resposta rápida. O fabricante posiciona-o para assistentes de voz, conversas de apoio ao cliente e menus telefónicos. Gera fala natural e expressiva em vinte e três idiomas, com controlo do tom e da interpretação. Flash é a versão orientada para resposta em direto; o MAI-Voice-2.1, com nome distinto, privilegia a expressão pormenorizada e a fidelidade em conteúdos mais longos.

Texto, locutor e idioma

A entrada é o texto a pronunciar, com uma voz selecionada e instruções expressivas opcionais em SSML. O catálogo gerido de vozes distingue o locutor, a configuração regional e a versão do modelo. Harper e Grant são exemplos de locutores identificados por nome com entradas específicas por idioma. Use o texto no idioma de destino pretendido e selecione a configuração regional adequada; uma saudação preparada em inglês e uma explicação em espanhol são passagens faladas separadas, cada uma com a sua formulação.

A ficha do modelo documenta uma identidade de voz consistente entre os idiomas suportados e vários locutores para diálogo. Isto pode apoiar uma aplicação que precisa de um narrador reconhecível em mensagens localizadas, ou de um diálogo curto com papéis distintos. Atribua explicitamente as falas aos locutores pretendidos e mantenha essas atribuições estáveis. O áudio é a versão falada desse guião, em vez de uma nova resposta composta a partir de uma pergunta aberta.

Tom e estilo de fala

A Microsoft documenta controlo da emoção e da interpretação por frase e por turno através de SSML. Os estilos disponíveis dependem da voz selecionada. O catálogo gerido inclui estilos de tarefa como narrator, educational e customer_call_center, juntamente com estilos expressivos para locutores específicos. Por exemplo, a entrada US de Harper inclui joyful e relieved. Escolha um estilo suportado pela voz, em vez de assumir que todos os locutores aceitam o mesmo conjunto.

Uma frase prática de apoio é: «Posso ajudar a encontrar o documento certo. Diga-me o título ou descreva o tema.» Mantenha o pedido suficientemente curto para o ouvinte poder agir e escolha uma interpretação calma ou encorajadora, adequada à interação. Para uma atividade de aprendizagem, escreva a explicação e a pergunta seguinte como unidades faladas separadas. A expressividade serve o significado quando o guião torna clara a mudança de intenção.

Streaming e entrega de áudio

A ficha do modelo Flash documenta especificamente saída em streaming para diálogo em direto, incluindo fluxos que lidam com um ouvinte que fala por cima da resposta. A aplicação pode reproduzir áudio à medida que chega e coordenar a interrupção e o turno seguinte. Assim, o momento da mensagem falada faz parte da interação, sem exigir que cada resposta seja primeiro preparada como uma gravação completa.

O fabricante permite especificar o formato de saída no fluxo de síntese. O exemplo publicado produz um ficheiro MP3 mono a 24 kHz e 160 kbit/s. Esta é uma configuração de saída documentada, não uma restrição fixa do formato nativo. Escolha uma representação de áudio aceite pelo percurso de reprodução pretendido e mantenha disponíveis o locutor e o texto falado para rever o resultado.

Modo opcional de voz de referência

O modo de voz personalizada da Microsoft pode reproduzir as características de um locutor que tenha dado consentimento, a partir de um clip de referência de cinco a sessenta segundos, sem ajuste fino. A ficha do modelo recomenda uma interpretação conversacional natural com energia moderada, porque a referência afeta a interpretação gerada. Este modo tem um processo separado de aprovação do fabricante e de registo do consentimento; as vozes predefinidas da biblioteca seguem um percurso de preparação distinto.

Para uma referência destinada a definir um narrador de marca, use uma passagem limpa e representativa e decida que interpretação deve passar para o novo guião. Para síntese com vozes predefinidas, prepare os nomes, comandos e expressões no idioma de destino que a aplicação realmente usará. Ouça essas passagens na voz selecionada e examine a transição entre turnos. O resultado útil é uma interação falada expressiva, com um locutor escolhido intencionalmente, texto claro e áudio adequado ao ambiente de reprodução do ouvinte.