Microsoft AI: MAI-Voice-2
O MAI-Voice-2 da Microsoft AI produz fala multilingue expressiva para narrações, diálogos e aplicações faladas. A consistência em conteúdo longo, o suporte de vários locutores e o controlo da emoção ao nível do turno de fala permitem criar audiolivros, lições e vozes de personagens.
Sobre o modelo
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
MAI-Voice-2 é o modelo da Microsoft AI de conversão de texto em fala orientada por prompts, para conteúdo falado natural e expressivo. O fabricante destaca a fidelidade acústica, a consistência do locutor e a amplitude emocional. As tarefas documentadas incluem assistentes, audiolivros, podcasts, palestras, personagens educativas e narração para acessibilidade. O texto transforma-se em áudio numa voz escolhida; a variante Voice-2-Flash tem o seu próprio perfil para interações em que a resposta imediata é prioritária.
Idioma e locutor
A publicação de Voice-2 da Microsoft descreve quinze idiomas, incluindo inglês, francês, alemão, italiano, espanhol, português, hindi, coreano, chinês simplificado, turco, russo, tailandês, neerlandês, romeno e húngaro. Alguns idiomas têm variantes regionais separadas. A publicação descreve também alternância entre hindi e inglês e entre espanhol e inglês, permitindo que determinados trechos com vários idiomas conservem a forma como um locutor alterna naturalmente entre línguas.
Prepare as palavras efetivas que devem ser pronunciadas e preserve o idioma pretendido. Um trecho educativo bilingue pode introduzir um termo num idioma e explicá-lo noutro, mantendo os nomes e as citações intactos. O resultado falado deve ser verificado tendo em conta o sotaque e o público exigidos pela peça, em vez de tratar todas as variantes regionais como intercambiáveis.
A ficha do modelo disponibiliza uma biblioteca de vozes selecionadas e uma via separada de prompts com voz de referência. A fala de referência fornece a identidade de locutor pretendida sem ajuste fino. A Microsoft recomenda uma elocução conversacional natural com energia moderada, porque a gravação afeta o ritmo e a elocução. Use uma gravação representativa cujo locutor tenha dado consentimento quando a tarefa exigir uma voz personalizada.
Narração mais longa e diálogo
A ficha do modelo documenta a geração de conteúdo longo através da divisão em blocos com transferência de contexto. Isto permite narrações ligadas, como um capítulo, uma lição ou uma sequência de trechos de podcast. Divida o guião em limites de secção com sentido e mantenha a terminologia e a escolha de locutor consistentes. Uma explicação longa beneficia de transições faladas que indiquem ao ouvinte quando muda o tema.
O suporte de vários locutores permite papéis distintos num diálogo preparado. Atribua a pergunta e a resposta aos locutores pretendidos e conserve essas atribuições quando um papel volta a intervir. A entrada deve conter as falas finais e as instruções de interpretação relevantes, e não um pedido aberto para que o sintetizador de fala invente a conversa.
Tom e elocução emocional
A Microsoft documenta controlo detalhado do tom, da elocução e da emoção ao nível do turno de fala. Os exemplos da sua publicação demonstram papéis falados expressivos e trechos emocionais. Para uma narrativa, determine que frase é factual, reflexiva ou entusiasmada e aplique depois uma elocução que siga esse significado. Uma frase prática é: «A parte mais silenciosa da experiência acabou por ser a mais reveladora. Foi aí que o padrão se tornou claro pela primeira vez.» A redação dá à interpretação uma mudança intencional de ênfase.
Para uma voz-off de instruções, mantenha a ação clara e a explicação numa frase separada. Num diálogo, distinga as palavras pronunciadas por uma personagem das notas de cena. Ouça os nomes repetidos e as transições entre trechos para que a sequência final continue coerente.
Utilizar o áudio
A saída é fala recém-gerada para o texto fornecido. A sua forma útil é uma narração, um diálogo ou uma resposta falada de aplicação cuja voz e elocução seguem o guião. Mantenha o texto, o locutor e a ordem das secções associados à gravação, para que uma correção altere o trecho pretendido sem perder o resto da interpretação.
O MAI-Voice-2 privilegia a naturalidade e a expressão numa experiência de audição prolongada. A sua capacidade para conteúdo longo não define uma entrada ilimitada nem uma duração máxima de gravação garantida. A descrição exata de Voice-2 mantém-se separada do catálogo de idiomas alargado e das definições de voz das edições posteriores Voice-2.1.
Ailoot Ultra · Síntese de voz POST /v1/audio/speech microsoft/mai-voice-2
microsoft/mai-voice-2Introdução
O MAI-Voice-2 da Microsoft AI produz fala multilingue expressiva para narrações, diálogos e aplicações faladas. A consistência em conteúdo longo, o suporte de vários locutores e o controlo da emoção ao nível do turno de fala permitem criar audiolivros, lições e vozes de personagens.
- Entradas aceites
- Texto
- Resultados
- Áudio
Disponível no Ailoot · entradas e métodos
Ailoot Ultra · Síntese de voz POST /v1/audio/speech
- Entrada
text- Saída
audio- Formato de saída
- mp3
| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites microsoft/mai-voice-2 | Predefinição— |
Campoinput | Tipostring | RequisitoObrigatório | Valores e limites Comprimento mínimo: 1 Unidade: carateres Unicode | Predefinição— |
Campovoice | Tipostring | RequisitoObrigatório | Valores e limites en-US-Harper:MAI-Voice-2, es-MX-Valeria:MAI-Voice-2, fr-FR-Soleil:MAI-Voice-2, de-DE-Klaus:MAI-Voice-2 | Predefinição— |
Camporesponse_format | Tipostring | RequisitoObrigatório | Valores e limites mp3 | Predefinição— |
Combinações de materiais de entrada
text_to_speech · Obrigatório: input
Parâmetros e ciclo de vida do método
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, input, voice, response_format |
Parâmetrovoice_ids | Contratoen-US-Harper:MAI-Voice-2, es-MX-Valeria:MAI-Voice-2, fr-FR-Soleil:MAI-Voice-2, de-DE-Klaus:MAI-Voice-2 |
Parâmetroresponse_format | Contratomp3 |
Parâmetromax_input_characters | Contratonull |
Parâmetroother_options | Contratofalse |
Parâmetroinput | Contratotexto UTF-8 exato; contagem de carateres Unicode sem normalização |
Parâmetromaterial_types | Contratotext |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id efetivamente devolvido ou registo na biblioteca de multimédia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Selecione a voz exata deste perfil de modelo.
Os carateres de entrada e os segundos de áudio são medidas de utilização diferentes.
Tarifários
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
- Modo rápido
- Não especificado Quando o modo rápido está selecionado
- Modo flex
- Não especificado Quando o modo flex está selecionado
- Esforço máximo de raciocínio
- Não especificado Quando o esforço máximo de raciocínio usa o ajuste predefinido (default)
Tarifas Ailoot
Preços por configuração
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Quantidade faturável | Unidade de faturação | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base por token | Tabela de tarifasTarifa base | Quantidade faturável— | Unidade de faturação— | Custo Entrada · Tokens de entrada — / 1K tokens Saída · Tokens de saída — / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoUltra | Tabela de tarifas— | Quantidade faturávelCada ponto de código Unicode conta como um caráter, incluindo os caracteres Han. | Unidade de faturaçãopor 1K caracteres de entrada | Custo Entrada · carácter de entrada $0.044 por 1K caracteres de entrada |
Detalhes da tarifa de referência
As tabelas de referência do modelo não alteram a seleção do método, as cotações ou os custos. Os custos ativos usam as tarifas do método Ailoot selecionado.
Microsoft AI: MAI-Voice-2
Preços por configuração
| Configuração | Condições de faturação | Custo |
|---|---|---|
| ConfiguraçãoMicrosoft AI: MAI-Voice-2 · Configuração predefinida | Condições de faturaçãoConfiguração predefinida | Custo Entrada · Caracteres de entrada 0,000044 US$ por carácter de entrada |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
Exemplos de pedidos
Ailoot Ultra · Síntese de voz
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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o speech.mp3
Receber e guardar os resultados
Ailoot Ultra · Síntese de voz
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Outras leituras de conteúdo
set -eu
: "${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
Guardar todos os resultados concluídos
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Guarde o resultado binário completo e os cabeçalhos. Se forem devolvidos JSON/vários resultados, conserve todos os itens de dados e obtenha cada recurso através do seu URL assinado efetivo.
Se for necessário verificar a resposta original
Conserve o operation_id/X-Client-Request-ID original para reconciliação sem voltar a enviar o pedido; não existe uma rota dedicada à consulta periódica do estado do áudio.
Campos da resposta
| Campo | Tipo |
|---|---|
Campobinary audio | Tipobytes |
Camporesponse headers | Tipoheaders |
Erros e passos seguintes
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Respostaserver_error | CondiçãoA resposta devolvida indica que a operação ou o resultado requer verificação | Passo seguinteGuarde o ID original da operação/tarefa devolvido, os cabeçalhos do pedido e a resposta; continue a consultar essa operação original através das consultas suportadas. Não volte a enviar o pedido de criação. |
Aliases
Aliases do modelo
Ailoot Ultra microsoft/mai-voice-2
Aliases dos caminhos dos métodos
Use os caminhos dos métodos indicados acima.
IDs de chamada relacionados
FAQ · Microsoft AI: MAI-Voice-2
- Que entradas e resultados estão disponíveis?
POST /v1/audio/speech·microsoft/mai-voice-2:text→audio- Que campos utiliza o pedido?
POST /v1/audio/speech·microsoft/mai-voice-2:model,input,voice,response_format