Microsoft AI: MAI-Voice-2-Flash

Microsoft AI:s MAI-Voice-2-Flash genererar uttrycksfullt tal på 15 språk för assistenter, kundsupport och talade menyer. Den kombinerar snabb respons med ett kurerat röstbibliotek, promptstyrning med referensröst och tonkontroll på samtalstursnivå.

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

Om modellen

Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.

MAI-Voice-2-Flash är Microsoft AI:s text-till-tal-modell för röstupplevelser med snabb respons och stora volymer. Tillverkaren beskriver naturlig prosodi, tydligt ljud och uttrycksfullt framförande, med assistenter, kundsupportagenter och telefonmenyer bland huvuduppgifterna. Skriven taltext blir talat ljud med vald röst. Flash är en specifik variant av MAI-Voice-2, skild från den senare familjen MAI-Voice-2.1.

Språk- och röstval

Det exakta modellkortet dokumenterar femton språk och arton lokala varianter. Dessa omfattar engelska, italienska, spanska, hindi, franska, tyska, portugisiska, koreanska, förenklad kinesiska, turkiska, ryska, thailändska, nederländska, rumänska och ungerska, med separata regionala varianter för vissa språk. Välj det avsedda språket och förbered den faktiska ordalydelse lyssnaren ska höra. En lokal variant kan spela roll för en hälsning, ett produktnamn eller ett uttal som är bekant för publiken.

Microsoft dokumenterar två vägar för röstval: ett kurerat bibliotek och röstpromptning från en kort inspelning. Biblioteket ger en befintlig talare för berättarröst eller interaktion. En referensinspelning definierar en annan talaridentitet genom tillverkarens arbetsflöde för anpassad röst. Håll talarvalet konsekvent mellan relaterade uppmaningar så att öppningsmeddelandet, förklaringen och uppföljningen låter som delar av samma upplevelse.

Ton för interaktivt tal

Modellen stöder kontroll av ton, framförande och känsla på samtalstursnivå. För en talande assistent skriver du en kort första instruktion och sedan de detaljer lyssnaren behöver. En praktisk replik är: ”Välj dokumentet du vill öppna. Om du är osäker på titeln, berätta vad det handlar om.” Manuset ger lyssnaren en tydlig handling och lämnar utrymme för en följdfråga.

För ett pedagogiskt samtal skiljer du förklaringen från frågan som den lärande ska besvara. Håll alternativnamnen korta i en meny och använd formuleringar som förblir tydliga när de bara hörs en gång. Tonen ska följa avsnittets syfte: en försäkran, en instruktion och en fråga kan kräva olika framförande samtidigt som rösten behålls.

Förberedelse av referensröst

Tillverkaren anger en inspelning på fem till sextio sekunder för röstpromptning och beskriver matchning av talaren som lämnat samtycke utan ytterligare träning. Ett naturligt samtalsmässigt framförande med måttlig energi rekommenderas eftersom referensen har stor inverkan på resultatet. Förbered en inspelning som representerar rösten du vill använda i stället för ett framförande med ovidkommande ytterligheter i volym eller uttryck.

Det här läget dokumenteras för en godkänd röst med samtycke. Tillverkarens arbetsflöde och biblioteket med förinställda röster är separata förberedelsevägar. Utdata förblir nysyntetiserat tal från den angivna taltexten; inspelningen tillhandahåller den önskade talaridentiteten.

Arbeta med talresultatet

Använd Flash för en interaktion där svaret ska levereras snabbt och förbli lätt att förstå. Tillverkaren positionerar varianten kring snabb respons samtidigt som prosodin och den akustiska kvaliteten i MAI-Voice-2-serien behålls. Knyt varje talad samtalstur till dess text och talare så att viktiga namn, kommandon och känsloskiften kan granskas i sitt sammanhang.

Ett användbart resultat är en tydlig talad uppmaning eller respons på det språk och med den röst som krävs. Lyssna på ordalydelsen så som publiken hör den, särskilt i en följd av uppmaningar. Modellens specifikation med femton språk och arton lokala varianter hör till just Voice-2-Flash-versionen; den utökade språkkatalogen och detaljerna för hanterade röster i senare versioner hör till deras egna profiler.

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

microsoft/mai-voice-2-flash

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

Start

Godkända indata: Text
Resultat: Ljud

Tillgängligt i Ailoot · indata & metoder

Ailoot Ultra · Talproduktion POST /v1/audio/speech

Indatatyper: text
Utdatatyper: audio
Utdataformat: mp3

Fält	Typ	Krav	Värden & gränser	Standard
Fält`model`	Typ`string`	KravObligatoriskt	Värden & gränser microsoft/mai-voice-2-flash	Standard—
Fält`input`	Typ`string`	KravObligatoriskt	Värden & gränser Minsta längd: 1 Enhet: Unicode-tecken	Standard—
Fält`voice`	Typ`string`	KravObligatoriskt	Värden & gränser en-US-Harper:MAI-Voice-2, es-MX-Valeria:MAI-Voice-2, fr-FR-Soleil:MAI-Voice-2, de-DE-Klaus:MAI-Voice-2	Standard—
Fält`response_format`	Typ`string`	KravObligatoriskt	Värden & gränser mp3	Standard—

Kombinationer av indatamaterial

text_to_speech · Krävs: input

Metodparametrar och livscykel

Parameter	Avtal
Parameter`content_type`	Avtalapplication/json
Parameter`required`	Avtalmodel, input, voice, response_format
Parameter`voice_ids`	Avtalen-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`	Avtalmp3
Parameter`max_input_characters`	Avtalnull
Parameter`other_options`	Avtalfalse
Parameter`input`	Avtalexakt UTF-8-text; antal Unicode-tecken utan normalisering
Parameter`material_types`	Avtaltext

Livscykel: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · Det task_id som faktiskt returnerades eller en post i mediebiblioteket

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Välj den exakta rösten från denna modellprofil.

Indatatecken och ljudsekunder är olika mätenheter.

Priser

Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.

Snabbt läge: Ej angivet När snabbt läge är valt
Flex-läge: Ej angivet När läget flex är valt
Högsta resonemangsnivå: Ej angivet När den högsta resonemangsnivån använder standardjusteringen (default)

Ailoot-priser

Priser efter konfiguration

Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.

Konfiguration	Prislista	Debiterbar mängd	Debiteringsenhet	Avgift
KonfigurationGrundpriser för token	PrislistaGrundpris	Debiterbar mängd—	Debiteringsenhet—	Avgift Indata · Indatatoken — / 1K token Utdata · Utdatatoken — / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token
KonfigurationUltra	Prislista—	Debiterbar mängdVarje Unicode-kodpunkt räknas som ett tecken, även Han-tecken.	Debiteringsenhetper 1K indatatecken	Avgift Indata · indatatecken $0.03 per 1K indatatecken

Detaljer om referenstariffen

Referensprislistor på modellnivå ändrar inte metodval, prisuppgifter eller avgifter. Aktiva avgifter använder priserna för den valda Ailoot-metoden.

Microsoft AI: MAI-Voice-2-Flash

Priser efter konfiguration

Konfiguration	Debiteringsvillkor	Avgift
KonfigurationMicrosoft AI: MAI-Voice-2-Flash · Standardkonfiguration	DebiteringsvillkorStandardkonfiguration	Avgift Indata · Indatatecken 0,00003 US$ per indatatecken

Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →

Exempelbegäranden

Ailoot Ultra · Talproduktion

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

Ta emot och spara resultat

Ailoot Ultra · Talproduktion

mp3

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

Andra innehållsläsningar

MediebibliotekUppgiftsstatusResursinformation

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

Behåll alla färdiga resultat

Behåll varje fullständigt returnerat svar, fil och innehållsdel.

Spara hela det binära resultatet och dess headers. Om JSON eller flera resultat returneras ska du behålla varje dataobjekt och hämta innehållet via varje faktisk signerad URL till en resurs.

Om det ursprungliga svaret behöver kontrolleras

Behåll de ursprungliga värdena för operation_id/X-Client-Request-ID för avstämning utan att skicka förfrågan igen; det finns ingen särskild rutt för statusavläsning av ljud.

Svarsfält

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

Fel och nästa steg

Svar	Villkor	Nästa steg
Svar400 · `invalid_request_error`	VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde	Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa.
Svar`server_error`	VillkorDet returnerade svaret anger att operationen eller resultatet behöver kontrolleras	Nästa stegSpara det ursprungliga operations- eller uppgifts-ID som returnerades, förfrågans headers och svaret. Fortsätt att läsa den ursprungliga operationen med de läsmetoder som stöds. Skicka inte skapandeförfrågan igen.

Alias

Modellalias

Ailoot Ultra microsoft/mai-voice-2-flash

Alias för metodsökvägar

Använd metodsökvägarna som visas ovan.

Relaterade anropar-ID:n

microsoft/mai-voice-2-flash

FAQ · Microsoft AI: MAI-Voice-2-Flash

Vilka indata och resultat finns?: POST /v1/audio/speech · microsoft/mai-voice-2-flash: text → audio
Vilka fält använder begäran?: POST /v1/audio/speech · microsoft/mai-voice-2-flash: model, input, voice, response_format

Microsoft AI: MAI-Voice-2-Flash