Microsoft AI: MAI-Voice-2-Flash

MAI-Voice-2-Flash é o modelo da Microsoft AI de conversão de texto em fala concebido para experiências de voz de resposta rápida e grande volume de utilização. O fabricante descreve prosódia natural, áudio claro e elocução expressiva, com assistentes, agentes de apoio ao cliente e menus telefónicos entre as tarefas principais. O texto escrito transforma-se em áudio falado na voz escolhida. Flash é uma variante específica de MAI-Voice-2, distinta da família posterior MAI-Voice-2.1.

Seleção de idioma e voz

A ficha deste modelo específico documenta quinze idiomas e dezoito variantes regionais. Abrangem inglês, italiano, espanhol, hindi, francês, alemão, português, coreano, chinês simplificado, turco, russo, tailandês, neerlandês, romeno e húngaro, com variantes regionais separadas para alguns idiomas. Escolha o idioma pretendido e prepare as palavras efetivas que o ouvinte deve ouvir. Uma distinção regional pode ser importante para uma saudação, um nome de produto ou uma pronúncia familiar ao público.

A Microsoft documenta duas vias de seleção de voz: uma biblioteca de vozes selecionadas e prompts de voz a partir de uma gravação curta. A biblioteca fornece um locutor existente para uma narração ou interação. Uma gravação de referência define uma identidade de locutor diferente através do fluxo de voz personalizada do fabricante. Mantenha uma escolha de locutor consistente entre mensagens relacionadas, para que a mensagem inicial, a explicação e o seguimento soem como partes da mesma experiência.

Tom para fala interativa

O modelo suporta controlo do tom, da elocução e da emoção ao nível do turno de fala. Para um assistente falado, escreva uma primeira instrução concisa e depois os detalhes de que o ouvinte precisa. Uma frase prática é: «Escolha o documento que pretende abrir. Se não tiver a certeza do título, diga-me qual é o assunto.» O guião dá ao ouvinte uma ação clara, deixando espaço para uma pergunta de seguimento.

Numa troca educativa, separe a explicação da pergunta a que o aluno deve responder. Num menu, mantenha os nomes das opções curtos e use uma redação que continue clara quando é ouvida uma única vez. O tom deve acompanhar a finalidade do trecho: uma mensagem tranquilizadora, uma instrução e uma pergunta podem exigir elocuções diferentes, mantendo a mesma voz.

Preparação da voz de referência

O fabricante especifica uma gravação de cinco a sessenta segundos para os prompts de voz e descreve a reprodução da voz de um locutor que deu consentimento, sem treino adicional. Recomenda uma elocução conversacional natural com energia moderada, porque a referência tem uma influência substancial no resultado. Prepare uma gravação que represente a voz que quer utilizar, em vez de uma interpretação com extremos de volume ou expressão sem relação com o objetivo.

Este modo está documentado para uma voz autorizada cujo locutor deu consentimento. O fluxo do fabricante e a biblioteca de vozes predefinidas são vias de preparação separadas. A saída continua a ser fala recém-sintetizada a partir do texto fornecido; a gravação fornece a identidade de locutor pretendida.

Trabalhar com o resultado falado

Use Flash numa interação em que a resposta deva ser entregue prontamente e continuar fácil de compreender. O fabricante posiciona esta variante em torno da rapidez de resposta, mantendo a prosódia e a qualidade acústica da linha MAI-Voice-2. Mantenha cada turno de fala associado ao respetivo texto e locutor, para que nomes importantes, comandos e mudanças emocionais possam ser revistos em contexto.

Um resultado útil é uma mensagem ou resposta falada clara no idioma e na voz exigidos. Ouça a redação tal como o público a irá ouvir, sobretudo numa sequência de mensagens. A especificação de quinze idiomas e dezoito variantes regionais deste modelo pertence à edição exata Voice-2-Flash; o catálogo de idiomas alargado e os detalhes de vozes geridas das versões posteriores pertencem aos respetivos perfis.