Microsoft AI: MAI-Voice-2

MAI-Voice-2 od Microsoft AI vytvára expresívnu viacjazyčnú reč pre rozprávanie, dialógy a hlasové aplikácie. Konzistentnosť dlhého obsahu, viacerí hovoriaci a ovládanie emócií na úrovni repliky podporujú audioknihy, lekcie a hlasy postáv.

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

O modeli

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

MAI-Voice-2 je model prevodu textu na reč od Microsoft AI riadený zadaním pre prirodzený, expresívny hovorený obsah. Výrobca zdôrazňuje akustickú vernosť, konzistentnosť hovoriaceho a emocionálny rozsah. Dokumentované úlohy zahŕňajú asistentov, audioknihy, podcasty, prednášky, vzdelávacie postavy a rozprávanie na podporu prístupnosti. Text prepisu sa mení na zvuk vo zvolenom hlase; variant Voice-2-Flash má vlastný profil pre interakcie, pri ktorých je prioritou okamžitá odozva.

Jazyk a hovoriaci

Vydanie Voice-2 od Microsoft opisuje pätnásť jazykov vrátane angličtiny, francúzštiny, nemčiny, taliančiny, španielčiny, portugalčiny, hindčiny, kórejčiny, zjednodušenej čínštiny, turečtiny, ruštiny, thajčiny, holandčiny, rumunčiny a maďarčiny. Niektoré jazyky majú samostatné regionálne varianty. Vydanie tiež opisuje prepínanie hindčiny s angličtinou a španielčiny s angličtinou, takže vybrané viacjazyčné pasáže môžu zachovať prirodzené striedanie jazykov hovoriaceho.

Pripravte skutočné slová na vyslovenie a zachovajte ich zamýšľaný jazyk. Dvojjazyčná vzdelávacia pasáž môže predstaviť výraz v jednom jazyku a vysvetliť ho v druhom pri zachovaní mien a citácií. Hovorený výsledok treba skontrolovať s prízvukom a publikom požadovanými dielom, nie považovať všetky miestne varianty za zameniteľné.

Modelová karta poskytuje spravovanú knižnicu hlasov a samostatnú cestu zadania referenčného hlasu. Referenčná reč dodáva požadovanú identitu hovoriaceho bez dolaďovania. Microsoft odporúča prirodzený konverzačný prednes so strednou energiou, pretože nahrávka ovplyvňuje tempo a prednes. Ak úloha vyžaduje vlastný hlas, použite reprezentatívnu nahrávku so súhlasom.

Dlhšie rozprávanie a dialóg

Modelová karta dokumentuje generovanie dlhého obsahu prostredníctvom delenia na časti s prenášaním kontextu. To podporuje nadväzujúce rozprávanie, napríklad kapitolu, lekciu alebo sériu podcastových pasáží. Scenár rozdeľte na významových hraniciach úsekov a zachovajte konzistentnú terminológiu a voľbu hovoriaceho. Dlhému vysvetleniu prospievajú hovorené prechody, ktoré poslucháča upozornia na zmenu témy.

Podpora viacerých hovoriacich umožňuje odlišné úlohy v pripravenom dialógu. Otázku a odpoveď priraďte zamýšľaným hovoriacim a tieto priradenia zachovajte keď sa daný hovoriaci opäť zapojí do dialógu. Vstup má obsahovať konečné repliky a relevantné pokyny k prednesu, nie otvorenú požiadavku, aby syntetizátor reči konverzáciu vymyslel.

Tón a emocionálny prednes

Microsoft dokumentuje podrobné ovládanie tónu, prednesu a emócií na úrovni repliky. Príklady vydania ukazujú expresívne hovorené úlohy a emocionálne pasáže. Pri rozprávaní určite, ktorá veta je vecná, zamyslená alebo nadšená, a potom použite prednes sledujúci tento význam. Praktická veta je: „Najtichšia časť experimentu sa ukázala byť najvýrečnejšou. Práve tam sa vzorec prvýkrát vyjasnil.“ Znenie dáva prednesu zámernú zmenu dôrazu.

Pri komentári s pokynmi zachovajte jasnú akciu a vysvetlenie v samostatnej vete. Pri dialógu odlíšte hovorené znenie postavy od poznámok scény. Vypočujte si opakované mená a prechody medzi pasážami, aby konečná postupnosť zostala súvislá.

Použite zvuk

Výstupom je novo generovaná reč pre dodaný prepis. Jej užitočnou podobou je rozprávanie, dialóg alebo hovorená odpoveď aplikácie, ktorej hlas a prednes sledujú scenár. Text, hovoriaceho a poradie úsekov uchovajte spolu s nahrávkou, aby oprava zmenila zamýšľanú pasáž bez straty zvyšku prednesu.

MAI-Voice-2 zdôrazňuje prirodzenosť a výraz v dlhšom posluchovom zážitku. Jeho schopnosť dlhého obsahu neurčuje neobmedzený vstup ani garantovanú maximálnu dĺžku nahrávky. Presný opis Voice-2 zostáva samostatný od rozšíreného jazykového katalógu a hlasových nastavení neskorších verzií Voice-2.1.

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

microsoft/mai-voice-2

Microsoft AI /microsoft/mai-voice-2

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	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 $0.044 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

Ceny podľa konfigurácie

Konfigurácia	Podmienky účtovania	Poplatok
KonfiguráciaMicrosoft AI: MAI-Voice-2 · Predvolená konfigurácia	Podmienky účtovaniaPredvolená konfigurácia	Poplatok Vstup · Vstupné znaky 0,000044 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", "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

Aliasy ciest metód

Použite cesty metód uvedené vyššie.

Súvisiace ID na volanie

microsoft/mai-voice-2

FAQ · Microsoft AI: MAI-Voice-2

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

Microsoft AI: MAI-Voice-2