Microsoft AI: MAI-Voice-2

Microsoft AI:s MAI-Voice-2 skapar uttrycksfullt flerspråkigt tal för berättarröst, dialog och applikationer med talfunktioner. Konsekvens i längre material, flera talare och känslokontroll på samtalstursnivå stöder ljudböcker, lektioner och karaktärsröster.

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

Om modellen

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

MAI-Voice-2 är Microsoft AI:s promptstyrda text-till-tal-modell för naturligt, uttrycksfullt talat innehåll. Tillverkaren betonar akustisk återgivning, konsekvent talaridentitet och känslomässigt omfång. De dokumenterade uppgifterna omfattar assistenter, ljudböcker, poddar, föreläsningar, pedagogiska figurer och berättarröst för tillgänglighet. Taltext blir ljud med en vald röst; varianten Voice-2-Flash har en egen profil för interaktioner där omedelbar respons prioriteras.

Språk och talare

Microsofts Voice-2-utgåva beskriver femton språk, däribland engelska, franska, tyska, italienska, spanska, portugisiska, hindi, koreanska, förenklad kinesiska, turkiska, ryska, thailändska, nederländska, rumänska och ungerska. Vissa språk har separata regionala varianter. Utgåvan beskriver också kodväxling mellan hindi och engelska samt spanska och engelska, så utvalda flerspråkiga avsnitt kan behålla talarens naturliga sätt att växla språk.

Förbered de faktiska ord som ska uttalas och bevara deras avsedda språk. Ett tvåspråkigt pedagogiskt avsnitt kan introducera en term på ett språk och förklara den på ett annat, samtidigt som namn och citat bevaras. Kontrollera talresultatet med den accent och publik som innehållet kräver i stället för att behandla varje lokal variant som utbytbar.

Modellkortet tillhandahåller ett kurerat röstbibliotek och en separat väg för promptstyrning med referensröst. Referenstalet tillhandahåller den önskade talaridentiteten utan finjustering. Microsoft rekommenderar ett naturligt samtalsmässigt framförande med måttlig energi eftersom inspelningen påverkar tempo och framförande. Använd en representativ inspelning med samtycke när uppgiften kräver en anpassad röst.

Längre berättarröst och dialog

Modellkortet dokumenterar generering av längre material genom indelning i delar med överföring av sammanhang. Det stöder sammanhängande berättarröst som ett kapitel, en lektion eller en följd av poddavsnitt. Dela manuset vid meningsfulla avsnittsgränser och håll terminologi och talarval konsekventa. En lång förklaring gynnas av talade övergångar som berättar för lyssnaren när ämnet ändras.

Stöd för flera talare ger olika roller i en förberedd dialog. Tilldela fråga och svar till avsedda talare och behåll tilldelningen när en roll återkommer. Indata ska innehålla de slutliga replikerna och relevanta framförandeinstruktioner, inte en öppen begäran om att talsyntetiseraren ska hitta på samtalet.

Ton och känslomässigt framförande

Microsoft dokumenterar detaljerad kontroll av ton, framförande och känsla på samtalstursnivå. Utgåvans exempel visar uttrycksfulla talade roller och känslomässiga avsnitt. Avgör för en berättelse vilken mening som är saklig, eftertänksam eller uppspelt och använd sedan ett framförande som följer innebörden. En praktisk replik är: ”Den tystaste delen av experimentet visade sig vara den mest avslöjande. Det var där mönstret först blev tydligt.” Ordalydelsen ger framförandet en avsiktlig förskjutning av betoningen.

Håll handlingen tydlig i en instruerande voice-over och lägg förklaringen i en separat mening. Skilj en karaktärs talade ord från scenanteckningar i dialog. Lyssna på återkommande namn och övergångar mellan avsnitt så att den slutliga följden förblir sammanhängande.

Använd ljudet

Utdata är nygenererat tal för den angivna taltexten. Den användbara formen är en berättarröst, dialog eller talad applikationsrespons vars röst och framförande följer manuset. Håll text, talare och avsnittsordning kopplade till inspelningen så att en korrigering ändrar det avsedda avsnittet utan att resten av framförandet går förlorat.

MAI-Voice-2 betonar naturlighet och uttryck i en längre lyssnarupplevelse. Förmågan att hantera längre material definierar inte obegränsade indata eller en garanterad maximal inspelningslängd. Den exakta beskrivningen av Voice-2 hålls separat från den utökade språkkatalogen och röstinställningarna i de senare Voice-2.1-versionerna.

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

microsoft/mai-voice-2

Microsoft AI /microsoft/mai-voice-2

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	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 $0.044 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

Priser efter konfiguration

Konfiguration	Debiteringsvillkor	Avgift
KonfigurationMicrosoft AI: MAI-Voice-2 · Standardkonfiguration	DebiteringsvillkorStandardkonfiguration	Avgift Indata · Indatatecken 0,000044 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", "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

Alias för metodsökvägar

Använd metodsökvägarna som visas ovan.

Relaterade anropar-ID:n

microsoft/mai-voice-2

FAQ · Microsoft AI: MAI-Voice-2

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

Microsoft AI: MAI-Voice-2