Microsoft AI: MAI-Voice-2-Flash

MAI-Voice-2-Flash od Microsoft AI generuje expresívnu reč v 15 jazykoch pre asistentov, zákaznícku podporu a hovorené menu. Spája pohotový prednes so spravovanou knižnicou hlasov, zadávaním referenčného hlasu a ovládaním tónu na úrovni repliky.

Ailoot Ultra · Syntéza reči POST /v1/audio/speech microsoft/mai-voice-2-flash

O modeli

Tento opis pokrýva možnosti modelu. Dostupné vstupy, výstupy a voľby v Ailoot sú uvedené nižšie pre vybranú metódu.

MAI-Voice-2-Flash je model prevodu textu na reč od Microsoft AI navrhnutý pre pohotové hlasové zážitky vo veľkom objeme. Výrobca opisuje prirodzenú prozódiu, čistý zvuk a expresívny prednes; medzi hlavné úlohy patria asistenti, agenti zákazníckej podpory a telefónne menu. Písaný text prepisu sa mení na hovorený zvuk vo zvolenom hlase. Flash je konkrétny variant MAI-Voice-2, odlišný od neskoršej rodiny MAI-Voice-2.1.

Výber jazyka a hlasu

Presná modelová karta dokumentuje pätnásť jazykov a osemnásť miestnych variantov. Zahŕňajú angličtinu, taliančinu, španielčinu, hindčinu, francúzštinu, nemčinu, portugalčinu, kórejčinu, zjednodušenú čínštinu, turečtinu, ruštinu, thajčinu, holandčinu, rumunčinu a maďarčinu, pri niektorých jazykoch so samostatnými regionálnymi variantmi. Zvoľte zamýšľaný jazyk a pripravte skutočné znenie, ktoré má poslucháč počuť. Rozlíšenie miestneho variantu môže záležať pri pozdrave, názve produktu alebo výslovnosti známej publiku.

Microsoft dokumentuje dve cesty výberu hlasu: spravovanú knižnicu a hlasové zadanie z krátkej nahrávky. Knižnica poskytuje existujúceho hovoriaceho pre rozprávanie alebo interakciu. Referenčná nahrávka určuje inú identitu hovoriaceho prostredníctvom postupu vlastného hlasu výrobcu. Pri súvisiacich zadaniach zachovajte konzistentnú voľbu hovoriaceho, aby úvodná správa, vysvetlenie a nadväzujúca odpoveď zneli ako časti jedného zážitku.

Tón interaktívnej reči

Model podporuje ovládanie tónu, prednesu a emócií na úrovni repliky. Pri hovoriacom asistentovi napíšte stručný prvý pokyn a potom podrobnosti potrebné pre poslucháča. Praktická veta je: „Vyberte dokument, ktorý chcete otvoriť. Ak si nie ste istí jeho názvom, povedzte mi, o čom je.“ Scenár dáva poslucháčovi jasnú akciu a necháva priestor na doplňujúcu otázku.

Pri vzdelávacej výmene oddeľte vysvetlenie od otázky, na ktorú má študent odpovedať. Pri menu zachovajte krátke názvy možností a formulácie jasné už po jednom vypočutí. Tón má sledovať účel pasáže: uistenie, pokyn a otázka môžu vyžadovať odlišný prednes pri zachovaní rovnakého hlasu.

Príprava referenčného hlasu

Výrobca pre hlasové zadanie určuje päť- až šesťdesiatsekundovú nahrávku a opisuje prispôsobenie hlasu hovoriaceho so súhlasom bez ďalšieho tréningu. Odporúča prirodzený konverzačný prednes so strednou energiou, pretože referencia výrazne ovplyvňuje výsledok. Pripravte nahrávku reprezentujúcu hlas, ktorý chcete použiť, nie prednes s nesúvisiacimi extrémami hlasitosti alebo výrazu.

Tento režim je dokumentovaný pre autorizovaný hlas so súhlasom. Jeho postup výrobcu a knižnica prednastavených hlasov sú samostatné prípravné cesty. Výstup zostáva novo syntetizovanou rečou z dodaného prepisu; nahrávka poskytuje požadovanú identitu hovoriaceho.

Práca s hovoreným výsledkom

Flash použite pri interakcii, ktorej odpoveď má prísť pohotovo a zostať ľahko zrozumiteľná. Výrobca tento variant zameriava na odozvu pri zachovaní prozódie a akustickej kvality radu MAI-Voice-2. Každú hovorenú repliku previažte s jej prepisom a hovoriacim, aby sa dôležité mená, príkazy a emocionálne posuny dali kontrolovať v kontexte.

Užitočným výsledkom je jasný hovorený pokyn alebo odpoveď v požadovanom jazyku a hlase. Znenie si vypočujte tak, ako ho bude počuť publikum, najmä v sérii pokynov. Špecifikácia pätnástich jazykov a osemnástich miestnych variantov patrí presnej verzii Voice-2-Flash; rozšírený jazykový katalóg a podrobnosti spravovaných hlasov neskorších verzií patria k ich vlastným profilom.

Ailoot Ultra · Syntéza reči POST /v1/audio/speech microsoft/mai-voice-2-flash

microsoft/mai-voice-2-flash

Microsoft AI /microsoft/mai-voice-2-flash

Úvod

Povolené vstupy: Text
Výsledky: Audio

Dostupné v Ailoot · vstupy a metódy

Ailoot Ultra · Syntéza reči POST /v1/audio/speech

Vstup: text
Výstup: audio
Výstupný formát: mp3

Pole	Typ	Požiadavka	Hodnoty a limity	Predvolené
Pole`model`	Typ`string`	PožiadavkaPovinné	Hodnoty a limity microsoft/mai-voice-2-flash	Predvolené—
Pole`input`	Typ`string`	PožiadavkaPovinné	Hodnoty a limity Minimálna dĺžka: 1 Jednotka: znaky Unicode	Predvolené—
Pole`voice`	Typ`string`	PožiadavkaPovinné	Hodnoty a 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	Predvolené—
Pole`response_format`	Typ`string`	PožiadavkaPovinné	Hodnoty a limity mp3	Predvolené—

Kombinácie vstupných podkladov

text_to_speech · Povinné: input

Parametre a životný cyklus metódy

Parameter	Špecifikácia
Parameter`content_type`	Špecifikáciaapplication/json
Parameter`required`	Špecifikáciamodel, input, voice, response_format
Parameter`voice_ids`	Špecifikáciaen-US-Harper:MAI-Voice-2, es-MX-Valeria:MAI-Voice-2, fr-FR-Soleil:MAI-Voice-2, de-DE-Klaus:MAI-Voice-2
Parameter`response_format`	Špecifikáciamp3
Parameter`max_input_characters`	Špecifikácianull
Parameter`other_options`	Špecifikáciafalse
Parameter`input`	Špecifikáciapresný text UTF-8; počet znakov Unicode bez normalizácie
Parameter`material_types`	Špecifikáciatext

Životný cyklus: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · skutočne vrátené task_id alebo záznam v knižnici médií

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Vyberte presný hlas z profilu tohto modelu.

Vstupné znaky a sekundy zvuku sú odlišné merané jednotky.

Cenník

Tarifné údaje nepridávajú možnosti požiadavky. Podporované parametre sú uvedené pri vybranej metóde.

Rýchly režim: Neuvedené Keď je zvolený rýchly režim
Režim Flex: Neuvedené Keď je zvolený režim flex
Maximálna úroveň uvažovania: Neuvedené Keď sa pri maximálnej úrovni uvažovania používa predvolená úprava (default)

Sadzby Ailoot

Ceny podľa konfigurácie

Každý poplatok priraďte k zobrazeným podmienkam. Pre každú skupinu alternatívnych konfigurácií použite jednu sadzbu.

Konfigurácia	Sadzobník	Účtované množstvo	Účtovacia jednotka	Poplatok
KonfiguráciaZákladné sadzby za tokeny	SadzobníkZákladná sadzba	Účtované množstvo—	Účtovacia jednotka—	Poplatok Vstup · Vstupné tokeny — / 1K tokenov Výstup · Výstupné tokeny — / 1K tokenov Vstup · Čítanie cache — / 1K tokenov Vstup · Zápis do cache — / 1K tokenov Vstup · Zápis do cache, 1 hod — / 1K tokenov
KonfiguráciaUltra	Sadzobník—	Účtované množstvoKaždý kódový bod Unicode sa počíta ako jeden znak vrátane znakov Han.	Účtovacia jednotkaza 1K vstupných znakov	Poplatok Vstup · vstupný znak $0.03 za 1K vstupných znakov

Podrobnosti referenčnej tarify

Referenčné sadzobníky modelu nemenia výber metódy, cenové odhady ani poplatky. Aktívne poplatky používajú sadzby vybranej metódy Ailoot.

Microsoft AI: MAI-Voice-2-Flash

Ceny podľa konfigurácie

Konfigurácia	Podmienky účtovania	Poplatok
KonfiguráciaMicrosoft AI: MAI-Voice-2-Flash · Predvolená konfigurácia	Podmienky účtovaniaPredvolená konfigurácia	Poplatok Vstup · Vstupné znaky 0,00003 USD za vstupný znak

Ailoot pred požiadavkou rezervuje odhadovanú sumu. Po získaní výsledku vyúčtuje konečný poplatok podľa nameraného využitia. Pri streamovaní sa vyúčtovanie riadi konečným záznamom využitia. Ako funguje rezervácia a vyúčtovanie →

Príklady požiadaviek

Ailoot Ultra · Syntéza reči

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-flash", "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

Prijať a uložiť výsledky

Ailoot Ultra · Syntéza reči

mp3

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Čítanie ďalšieho obsahu

Knižnica médiíStav úlohyPodrobnosti podkladu

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

Uchovať všetky dokončené výsledky

Uložte každú úplnú vrátenú odpoveď, súbor a časť obsahu.

Uchovajte úplný binárny výsledok a hlavičky. Ak sa vráti JSON alebo viacero výstupov, uchovajte každú dátovú položku a stiahnite obsah z každej skutočnej podpísanej URL súboru.

Ak treba overiť pôvodnú odpoveď

Uchovajte pôvodné operation_id/X-Client-Request-ID na zosúladenie záznamov bez opätovného odoslania; neexistuje samostatná trasa na priebežné zisťovanie stavu zvuku.

Polia odpovede

Pole	Typ
Pole`binary audio`	Typbytes
Pole`response headers`	Typheaders

Chyby a ďalšie kroky

Odpoveď	Podmienka	Ďalší krok
Odpoveď400 · `invalid_request_error`	PodmienkaNeplatné povinné polia, reprezentácia materiálu alebo hodnota parametra	Ďalší krokPred novou požiadavkou na vytvorenie opravte uvedené polia.
Odpoveď`server_error`	PodmienkaVrátená odpoveď uvádza, že operáciu alebo výsledok je potrebné skontrolovať	Ďalší krokUchovajte pôvodné vrátené ID operácie/úlohy, hlavičky požiadavky a odpoveď; naďalej čítajte údaje o tejto pôvodnej operácii podporovaným spôsobom. Požiadavku na vytvorenie znova neodosielajte.

Aliasy

Aliasy modelov

Ailoot Ultra microsoft/mai-voice-2-flash

Aliasy ciest metód

Použite cesty metód uvedené vyššie.

Súvisiace ID na volanie

microsoft/mai-voice-2-flash

FAQ · Microsoft AI: MAI-Voice-2-Flash

Aké vstupy a výsledky sú dostupné?: POST /v1/audio/speech · microsoft/mai-voice-2-flash: text → audio
Aké polia používa požiadavka?: POST /v1/audio/speech · microsoft/mai-voice-2-flash: model, input, voice, response_format

Microsoft AI: MAI-Voice-2-Flash