Microsoft AI: MAI-Voice-2.1

MAI-Voice-2.1 é o modelo da Microsoft AI de conversão de texto em fala orientada por prompts, para trabalhos em que a elocução expressiva e a fidelidade do áudio são importantes. A sua ficha de modelo abrange vinte e três idiomas e vinte e seis variantes regionais, com entoação natural, ritmo e nuances emocionais. O fabricante identifica os audiolivros, a narração para conteúdos multimédia, a criação de conteúdo e a voz-off como utilizações principais. Esta edição privilegia conteúdo expressivo mais longo; MAI-Voice-2.1-Flash é a opção separada concebida para interações sensíveis à latência.

Narração com um locutor consistente

A ficha do modelo documenta uma identidade de voz reproduzida de forma consistente nos idiomas suportados. A geração de conteúdo longo usa divisão em blocos e transferência de contexto para melhorar a continuidade entre trechos. Isto é útil para uma lição, um capítulo de audiolivro ou uma sequência de secções de voz-off relacionadas que devam conservar as características do narrador. Prepare trechos coerentes com limites claros e mantenha a mesma escolha de locutor ao longo da peça.

A entrada é o texto final, com uma referência opcional do locutor e controlos expressivos SSML. As instruções de uma narração devem distinguir o que o ouvinte ouve das notas de produção. Para uma explicação técnica, escreva uma introdução clara, seguida dos passos efetivos e da instrução final. Mantenha uma forma escrita consistente para os nomes de produtos e os termos repetidos. Para uma narração localizada, prepare o guião no idioma de destino; o idioma e a voz selecionados determinam a sua realização oral.

Locutores, papéis e controlo expressivo

A Microsoft disponibiliza uma biblioteca de vozes selecionadas e documenta vários locutores para diálogo. Harper e Grant exemplificam identidades de locutor com entradas para várias variantes regionais. Uma troca educativa entre duas pessoas pode atribuir a pergunta e a explicação a vozes diferentes, mantendo a mesma atribuição quando um papel volta a intervir. Identifique claramente as falas para que a conversa pretendida esteja representada na entrada de síntese.

O tom e a elocução podem ser moldados ao nível do turno de fala ou da frase através de SSML. Os estilos são específicos de cada locutor: o catálogo gerido enumera estilos de narração ou educativos orientados para tarefas para vozes adequadas e opções emocionais, como alegria ou alívio, para outras. A entrada norte-americana de Harper suporta esses dois estilos emocionais. Selecione o locutor e o seu estilo de elocução documentado em conjunto, em vez de transferir um estilo de outra voz.

Numa história ou apresentação, a expressividade pode distinguir uma explicação factual, um trecho reflexivo e uma citação animada. Uma frase prática é: «A primeira tentativa deu-nos uma imagem incompleta. Ao observar toda a sequência, tornou-se claro o passo que faltava.» Decida onde muda o significado e prepare as unidades de fala em conformidade. Ouça as transições para que a elocução acompanhe a narrativa, em vez de dar a mesma ênfase a todas as frases.

Voz de referência e resultado de áudio

O modo opcional de voz personalizada reproduz a voz de um locutor que deu o seu consentimento, a partir de uma referência de áudio de cinco a sessenta segundos, sem ajuste fino. A Microsoft recomenda uma elocução conversacional natural e energia moderada nessa referência, uma vez que a amostra afeta a voz gerada. O seu fluxo de voz personalizada exige aprovação do fabricante e uma declaração de consentimento gravada. A biblioteca de vozes predefinidas constitui uma via separada de seleção de voz.

O fabricante permite escolher o formato de saída, e o seu exemplo de síntese publicado guarda MP3 mono a 24 kHz e 160 kbit/s. Estas definições descrevem um fluxo de saída. Selecione a representação de áudio para a etapa seguinte de edição ou reprodução e mantenha o guião, o locutor e a ordem das secções associados à gravação. Um capítulo ou uma lição concluídos podem conter vários trechos gerados e continuar a formar uma experiência de audição coerente.

Utilizar o resultado de conteúdo longo

O MAI-Voice-2.1 está orientado para a naturalidade e a expressão quando o tempo de resposta imediato é menos importante do que a interpretação oral. Numa peça extensa, reveja os nomes recorrentes, os limites entre secções, as vozes atribuídas ao diálogo e as mudanças de registo emocional. A documentação estabelece capacidade para conteúdo longo e mecanismos de consistência sem especificar um guião ilimitado nem uma duração máxima de gravação garantida. A entrega prática é áudio expressivo cujo narrador, redação e progressão correspondem ao material preparado.