Microsoft AI: MAI-Voice-2-Flash
MAI-Voice-2-Flash ของ Microsoft AI สร้างเสียงที่ถ่ายทอดอารมณ์ใน 15 ภาษา สำหรับผู้ช่วย งานสนับสนุนลูกค้า และเมนูเสียง โดยรวมการตอบสนองรวดเร็วเข้ากับคลังเสียงคัดสรร พรอมป์ต์เสียงอ้างอิง และการควบคุมโทนระดับรอบการพูด
เกี่ยวกับโมเดล
คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก
MAI-Voice-2-Flash เป็นโมเดลแปลงข้อความเป็นเสียงของ Microsoft AI ที่ออกแบบสำหรับประสบการณ์เสียงซึ่งต้องตอบสนองรวดเร็วและรองรับปริมาณมาก ผู้ผลิตอธิบายทำนองเสียงที่เป็นธรรมชาติ เสียงที่ชัดเจน และการถ่ายทอดอารมณ์ โดยมีผู้ช่วย ตัวแทนสนับสนุนลูกค้า และเมนูโทรศัพท์เป็นงานหลัก ข้อความคำพูดที่เขียนไว้จะกลายเป็นเสียงตามเสียงผู้พูดที่เลือก Flash เป็นรุ่นย่อยเฉพาะของ MAI-Voice-2 แยกจากตระกูล MAI-Voice-2.1 ที่มาภายหลัง
เลือกภาษาและเสียง
โมเดลการ์ดของรุ่นนี้โดยตรงระบุสิบห้าภาษาและสิบแปดโลแคล ครอบคลุมอังกฤษ อิตาลี สเปน ฮินดี ฝรั่งเศส เยอรมัน โปรตุเกส เกาหลี จีนตัวย่อ ตุรกี รัสเซีย ไทย ดัตช์ โรมาเนีย และฮังการี โดยบางภาษามีรูปแบบภูมิภาคแยกกัน เลือกภาษาที่ต้องการและเตรียมถ้อยคำจริงที่ผู้ฟังควรได้ยิน ความต่างของโลแคลอาจสำคัญกับคำทักทาย ชื่อผลิตภัณฑ์ หรือการออกเสียงที่ผู้ฟังคุ้นเคย
Microsoft อธิบายสองเส้นทางเลือกเสียง คือคลังเสียงที่คัดสรรและพรอมป์ต์เสียงจากเสียงบันทึกสั้น ๆ คลังเสียงให้ผู้พูดที่มีอยู่แล้วสำหรับการบรรยายหรือการโต้ตอบ ส่วนเสียงบันทึกอ้างอิงกำหนดตัวตนผู้พูดอีกแบบผ่านเวิร์กโฟลว์เสียงกำหนดเองของผู้ผลิต รักษาผู้พูดให้สม่ำเสมอในพรอมป์ต์ที่เกี่ยวข้อง เพื่อให้ข้อความเปิด คำอธิบาย และคำตอบติดตามฟังเป็นส่วนของประสบการณ์เดียวกัน
โทนสำหรับเสียงโต้ตอบ
โมเดลรองรับการควบคุมโทน วิธีถ่ายทอด และอารมณ์ระดับรอบการพูด สำหรับผู้ช่วยเสียง ให้เขียนคำแนะนำแรกอย่างกระชับ แล้วตามด้วยรายละเอียดที่ผู้ฟังต้องการ ตัวอย่างคือ “เลือกเอกสารที่ต้องการเปิด หากไม่แน่ใจชื่อ บอกฉันว่าเอกสารเกี่ยวกับอะไร” บทให้การกระทำชัดเจนแก่ผู้ฟัง และยังเปิดที่สำหรับคำถามต่อ
ในการถามตอบเพื่อการศึกษา ให้แยกคำอธิบายจากคำถามที่ผู้เรียนควรตอบ สำหรับเมนู ให้ชื่อทางเลือกสั้นและใช้ถ้อยคำที่ชัดเจนเมื่อได้ยินครั้งเดียว โทนควรตามจุดประสงค์ของย่อหน้า การปลอบใจ คำสั่ง และคำถามอาจต้องถ่ายทอดต่างกันโดยยังใช้เสียงเดียวกัน
เตรียมเสียงอ้างอิง
ผู้ผลิตกำหนดเสียงบันทึกห้าถึงหกสิบวินาทีสำหรับพรอมป์ต์เสียง และอธิบายการจับคู่ผู้พูดที่ยินยอมโดยไม่ฝึกเพิ่ม แนะนำการพูดสนทนาธรรมชาติที่มีพลังปานกลาง เพราะเสียงอ้างอิงมีอิทธิพลต่อผลลัพธ์มาก เตรียมเสียงที่เป็นตัวแทนของเสียงที่ต้องการใช้ ไม่ใช่การแสดงที่มีระดับเสียงหรืออารมณ์สุดขั้วซึ่งไม่เกี่ยวกับงาน
โหมดนี้มีเอกสารสำหรับเสียงที่ได้รับอนุญาตและความยินยอม เวิร์กโฟลว์ของผู้ผลิตกับคลังเสียงสำเร็จรูปเป็นเส้นทางเตรียมงานคนละแบบ เอาต์พุตยังเป็นเสียงพูดที่สังเคราะห์ใหม่จากข้อความที่ให้ไว้ ส่วนเสียงบันทึกทำหน้าที่ระบุตัวตนผู้พูดที่ต้องการ
ใช้งานผลลัพธ์เสียง
ใช้ Flash สำหรับการโต้ตอบที่ควรส่งคำตอบอย่างรวดเร็วและยังฟังเข้าใจง่าย ผู้ผลิตวางตำแหน่งรุ่นย่อยนี้โดยเน้นการตอบสนอง พร้อมรักษาทำนองเสียงและคุณภาพเสียงของตระกูล MAI-Voice-2 เก็บแต่ละรอบคำพูดให้เชื่อมกับข้อความและผู้พูด เพื่อให้ตรวจชื่อสำคัญ คำสั่ง และการเปลี่ยนอารมณ์ในบริบทได้
ผลลัพธ์ที่มีประโยชน์คือคำแนะนำหรือคำตอบแบบเสียงที่ชัดเจนในภาษาและเสียงที่ต้องการ ฟังถ้อยคำตามที่ผู้ฟังจะได้ยินจริง โดยเฉพาะเมื่อเป็นคำแนะนำหลายข้อความต่อกัน ข้อกำหนดสิบห้าภาษา สิบแปดโลแคลเป็นของ Voice-2-Flash รุ่นนี้โดยเฉพาะ ส่วนรายการภาษาที่ขยายและรายละเอียดเสียงแบบจัดการของรุ่นหลังเป็นข้อมูลของรุ่นเหล่านั้นเอง
Ailoot Ultra · การสังเคราะห์เสียงพูด POST /v1/audio/speech microsoft/mai-voice-2-flash
microsoft/mai-voice-2-flashเริ่มต้น
MAI-Voice-2-Flash ของ Microsoft AI สร้างเสียงที่ถ่ายทอดอารมณ์ใน 15 ภาษา สำหรับผู้ช่วย งานสนับสนุนลูกค้า และเมนูเสียง โดยรวมการตอบสนองรวดเร็วเข้ากับคลังเสียงคัดสรร พรอมป์ต์เสียงอ้างอิง และการควบคุมโทนระดับรอบการพูด
- อินพุตที่รองรับ
- ข้อความ
- ผลลัพธ์
- เสียง
ใช้งานได้ใน Ailoot · อินพุตและเมธอด
Ailoot Ultra · การสังเคราะห์เสียงพูด POST /v1/audio/speech
- ขาเข้า
text- ขาออก
audio- รูปแบบเอาต์พุต
- mp3
| ฟิลด์ | ประเภท | ข้อกำหนด | ค่าและข้อจำกัด | ค่าเริ่มต้น |
|---|---|---|---|---|
ฟิลด์model | ประเภทstring | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด microsoft/mai-voice-2-flash | ค่าเริ่มต้น— |
ฟิลด์input | ประเภทstring | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด ความยาวขั้นต่ำ: 1 หน่วย: อักขระ Unicode | ค่าเริ่มต้น— |
ฟิลด์voice | ประเภทstring | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด en-US-Harper:MAI-Voice-2, es-MX-Valeria:MAI-Voice-2, fr-FR-Soleil:MAI-Voice-2, de-DE-Klaus:MAI-Voice-2 | ค่าเริ่มต้น— |
ฟิลด์response_format | ประเภทstring | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด mp3 | ค่าเริ่มต้น— |
ชุดผสมของสื่ออินพุต
text_to_speech · จำเป็น: input
พารามิเตอร์และวงจรการทำงานของเมธอด
| พารามิเตอร์ | ข้อกำหนด |
|---|---|
พารามิเตอร์content_type | ข้อกำหนดapplication/json |
พารามิเตอร์required | ข้อกำหนดmodel, input, voice, response_format |
พารามิเตอร์voice_ids | ข้อกำหนดen-US-Harper:MAI-Voice-2, es-MX-Valeria:MAI-Voice-2, fr-FR-Soleil:MAI-Voice-2, de-DE-Klaus:MAI-Voice-2 |
พารามิเตอร์response_format | ข้อกำหนดmp3 |
พารามิเตอร์max_input_characters | ข้อกำหนดnull |
พารามิเตอร์other_options | ข้อกำหนดfalse |
พารามิเตอร์input | ข้อกำหนดข้อความ UTF-8 ที่ตรงตามต้นฉบับ นับอักขระ Unicode โดยไม่ปรับรูปแบบมาตรฐาน |
พารามิเตอร์material_types | ข้อกำหนดtext |
วงจรการทำงาน: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · ค่า task_id ที่ส่งกลับมาจริง หรือระเบียนในคลังสื่อ
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
เลือกเสียงที่ตรงตามโปรไฟล์ของโมเดลนี้
อักขระขาเข้าและวินาทีเสียงเป็นหน่วยวัดคนละแบบ
ราคา
ข้อมูลอัตราราคาไม่ได้เพิ่มตัวเลือกคำขอ พารามิเตอร์ที่รองรับระบุไว้สำหรับเมธอดที่เลือก
- โหมดรวดเร็ว
- ไม่ได้ระบุ เมื่อเลือกโหมดรวดเร็ว
- โหมดยืดหยุ่น
- ไม่ได้ระบุ เมื่อเลือกโหมด flex
- ระดับการใช้เหตุผลสูงสุด
- ไม่ได้ระบุ เมื่อใช้การปรับตามค่าเริ่มต้น (default) สำหรับระดับการใช้เหตุผลสูงสุด
อัตราค่าบริการ Ailoot
ราคาตามการตั้งค่า
เทียบค่าบริการแต่ละรายการกับเงื่อนไขที่แสดง เลือกใช้อัตราเดียวสำหรับแต่ละชุดการตั้งค่าที่เป็นตัวเลือกทดแทนกัน
| การตั้งค่า | ตารางอัตราค่าบริการ | ปริมาณที่ใช้คิดค่าบริการ | หน่วยคิดค่าบริการ | ค่าบริการ |
|---|---|---|---|---|
| การตั้งค่าอัตราค่าบริการโทเคนพื้นฐาน | ตารางอัตราค่าบริการอัตราพื้นฐาน | ปริมาณที่ใช้คิดค่าบริการ— | หน่วยคิดค่าบริการ— | ค่าบริการ ขาเข้า · โทเค็นอินพุต — / 1K โทเค็น ขาออก · โทเค็นเอาต์พุต — / 1K โทเค็น ขาเข้า · การอ่านแคช — / 1K โทเค็น ขาเข้า · การเขียนแคช — / 1K โทเค็น ขาเข้า · การเขียนแคช, 1 ชั่วโมง — / 1K โทเค็น |
| การตั้งค่าUltra | ตารางอัตราค่าบริการ— | ปริมาณที่ใช้คิดค่าบริการนับแต่ละโค้ดพอยต์ Unicode เป็นหนึ่งอักขระ รวมถึงอักษรฮั่น | หน่วยคิดค่าบริการต่ออักขระอินพุต 1K ตัว | ค่าบริการ ขาเข้า · อักขระขาเข้า $0.03 ต่ออักขระอินพุต 1K ตัว |
รายละเอียดอัตราอ้างอิง
ตารางอัตราอ้างอิงระดับโมเดลไม่เปลี่ยนเมธอดที่เลือก ยอดประมาณการ หรือค่าบริการ การคิดค่าบริการจริงใช้อัตราของเมธอด Ailoot ที่เลือก
Microsoft AI: MAI-Voice-2-Flash
ราคาตามการตั้งค่า
| การตั้งค่า | เงื่อนไขคิดค่าบริการ | ค่าบริการ |
|---|---|---|
| การตั้งค่าMicrosoft AI: MAI-Voice-2-Flash · การตั้งค่าเริ่มต้น | เงื่อนไขคิดค่าบริการการตั้งค่าเริ่มต้น | ค่าบริการ ขาเข้า · อักขระอินพุต US$0.00003 ต่ออักขระอินพุต |
Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →
ตัวอย่างคำขอ
Ailoot Ultra · การสังเคราะห์เสียงพูด
set -eu
: "${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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o speech.mp3
รับและบันทึกผลลัพธ์
Ailoot Ultra · การสังเคราะห์เสียงพูด
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
การอ่านเนื้อหาแบบอื่น
set -eu
: "${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
เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด
เก็บทุกการตอบกลับ ไฟล์ และส่วนเนื้อหาที่ส่งกลับมาอย่างครบถ้วน
เก็บผลลัพธ์ไบนารีและส่วนหัวให้ครบถ้วน หากได้รับ JSON/ผลลัพธ์หลายรายการ ให้เก็บข้อมูลทุกรายการและดึงไฟล์สื่อจาก URL แบบลงนามทุกรายการที่ได้รับจริง
เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ
เก็บ operation_id/X-Client-Request-ID เดิมไว้เพื่อกระทบยอดโดยไม่ส่งคำขอซ้ำ ไม่มีเส้นทางเฉพาะสำหรับตรวจสอบสถานะงานเสียงเป็นระยะ
ฟิลด์การตอบกลับ
| ฟิลด์ | ประเภท |
|---|---|
ฟิลด์binary audio | ประเภทbytes |
ฟิลด์response headers | ประเภทheaders |
ข้อผิดพลาดและขั้นตอนถัดไป
| การตอบกลับ | เงื่อนไข | ขั้นตอนถัดไป |
|---|---|---|
การตอบกลับ400 · invalid_request_error | เงื่อนไขฟิลด์จำเป็น รูปแบบการแทนข้อมูล หรือค่าพารามิเตอร์ไม่ถูกต้อง | ขั้นตอนถัดไปแก้ฟิลด์ที่ระบุก่อนส่งคำขอสร้างครั้งใหม่ |
การตอบกลับserver_error | เงื่อนไขการตอบกลับที่ได้รับระบุว่าต้องตรวจสอบการดำเนินการหรือผลลัพธ์ | ขั้นตอนถัดไปเก็บ ID การดำเนินการ/งานที่ส่งกลับมาแต่เดิม ส่วนหัวของคำขอ และการตอบกลับไว้ แล้วอ่านข้อมูลการดำเนินการเดิมนั้นต่อด้วยวิธีที่รองรับ ห้ามส่งคำขอสร้างซ้ำ |
ชื่ออื่น
ชื่ออื่นของโมเดล
Ailoot Ultra microsoft/mai-voice-2-flash
ชื่อพาธเมธอดอื่น
ใช้พาธเมธอดที่แสดงด้านบน
ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล
FAQ · Microsoft AI: MAI-Voice-2-Flash
- มีอินพุตและผลลัพธ์ใดบ้าง?
POST /v1/audio/speech·microsoft/mai-voice-2-flash:text→audio- คำขอใช้ฟิลด์ใดบ้าง?
POST /v1/audio/speech·microsoft/mai-voice-2-flash:model,input,voice,response_format