Microsoft AI: MAI-Voice-2

MAI-Voice-2 ของ Microsoft AI สร้างเสียงหลายภาษาที่ถ่ายทอดอารมณ์สำหรับการบรรยาย บทสนทนา และแอปพลิเคชันเสียง ความสม่ำเสมอในเนื้อหายาว ผู้พูดหลายคน และการควบคุมอารมณ์ระดับรอบการพูด รองรับหนังสือเสียง บทเรียน และเสียงตัวละคร

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

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

MAI-Voice-2 เป็นโมเดลแปลงข้อความเป็นเสียงด้วยพรอมป์ต์ของ Microsoft AI สำหรับเนื้อหาพูดที่เป็นธรรมชาติและถ่ายทอดอารมณ์ ผู้ผลิตเน้นความเที่ยงตรงของเสียง ความสม่ำเสมอของผู้พูด และช่วงอารมณ์ งานตามเอกสารมีผู้ช่วย หนังสือเสียง พอดแคสต์ การบรรยาย ตัวละครเพื่อการศึกษา และเสียงบรรยายเพื่อการเข้าถึง ข้อความคำพูดจะกลายเป็นเสียงตามเสียงที่เลือก ส่วนรุ่นย่อย Voice-2-Flash มีขอบเขตของตัวเองสำหรับการโต้ตอบที่ให้การตอบสนองทันทีเป็นอันดับแรก

ภาษาและผู้พูด

ประกาศ Voice-2 ของ Microsoft อธิบายสิบห้าภาษา ได้แก่ อังกฤษ ฝรั่งเศส เยอรมัน อิตาลี สเปน โปรตุเกส ฮินดี เกาหลี จีนตัวย่อ ตุรกี รัสเซีย ไทย ดัตช์ โรมาเนีย และฮังการี บางภาษามีรูปแบบภูมิภาคแยกกัน ประกาศยังอธิบายการสลับฮินดีกับอังกฤษและสเปนกับอังกฤษ ทำให้ย่อหน้าผสมภาษาที่เหมาะสมรักษาวิธีสลับภาษาตามธรรมชาติของผู้พูดได้

เตรียมคำจริงที่จะพูดและรักษาภาษาที่ตั้งใจไว้ ย่อหน้าเพื่อการศึกษาสองภาษาอาจแนะนำศัพท์ด้วยภาษาหนึ่งและอธิบายด้วยอีกภาษา โดยคงชื่อและข้อความที่ยกมา ผลเสียงควรตรวจตามสำเนียงและผู้ฟังที่ชิ้นงานต้องการ ไม่ใช่ถือว่าทุกโลแคลใช้แทนกันได้

โมเดลการ์ดให้คลังเสียงที่คัดสรรและเส้นทางพรอมป์ต์เสียงอ้างอิงแยกต่างหาก เสียงอ้างอิงกำหนดตัวตนผู้พูดที่ต้องการโดยไม่ต้องปรับจูน Microsoft แนะนำการสนทนาธรรมชาติที่มีพลังปานกลาง เพราะเสียงบันทึกมีผลต่อจังหวะและวิธีถ่ายทอด ใช้เสียงบันทึกที่เป็นตัวแทนและได้รับความยินยอมเมื่องานต้องใช้เสียงกำหนดเอง

การบรรยายยาวและบทสนทนา

โมเดลการ์ดระบุการสร้างเนื้อหายาวด้วยการแบ่งชังก์และส่งต่อบริบท รองรับเสียงบรรยายที่เชื่อมกัน เช่น บทหนึ่งของหนังสือ บทเรียน หรือย่อหน้าพอดแคสต์ต่อเนื่อง แบ่งบทตรงขอบเขตส่วนที่มีความหมาย และรักษาคำศัพท์กับเสียงผู้พูดให้สม่ำเสมอ คำอธิบายยาวได้ประโยชน์จากประโยคเชื่อมที่บอกผู้ฟังว่าหัวข้อเปลี่ยนเมื่อใด

การรองรับผู้พูดหลายคนทำให้กำหนดบทบาทต่างกันในบทสนทนาที่เตรียมไว้ได้ กำหนดคำถามและคำตอบให้ผู้พูดที่ตั้งใจ และคงการกำหนดนั้นเมื่อบทบาทกลับมา อินพุตควรมีบทพูดที่เตรียมเสร็จแล้วและคำแนะนำการแสดงที่เกี่ยวข้อง ไม่ใช่คำขอปลายเปิดให้ตัวสังเคราะห์คิดบทสนทนาขึ้นเอง

โทนและการถ่ายทอดอารมณ์

Microsoft ระบุการควบคุมโทน วิธีถ่ายทอด และอารมณ์อย่างละเอียดระดับรอบการพูด ตัวอย่างในประกาศแสดงบทบาทพูดที่มีการแสดงออกและย่อหน้าสื่ออารมณ์ สำหรับเรื่องเล่า ให้กำหนดว่าประโยคไหนเป็นข้อเท็จจริง ครุ่นคิด หรือตื่นเต้น แล้วใช้วิธีถ่ายทอดตามความหมายนั้น ตัวอย่างคือ “ช่วงที่เงียบที่สุดของการทดลองกลับเป็นช่วงที่เผยให้เห็นมากที่สุด ที่ตรงนั้นเองที่รูปแบบเริ่มชัดเจน” ถ้อยคำทำให้การแสดงเปลี่ยนจุดเน้นอย่างมีเจตนา

สำหรับเสียงพากย์คำแนะนำ ให้การกระทำชัดเจนและแยกคำอธิบายเป็นอีกประโยค สำหรับบทสนทนา ให้แยกคำพูดของตัวละครจากบันทึกฉาก ฟังชื่อที่ใช้ซ้ำและจุดเปลี่ยนระหว่างย่อหน้าเพื่อให้ลำดับสุดท้ายต่อเนื่องกัน

ใช้งานเสียง

เอาต์พุตคือเสียงพูดที่สร้างใหม่จากข้อความที่ป้อน รูปแบบที่มีประโยชน์คือเสียงบรรยาย บทสนทนา หรือคำตอบแอปพลิเคชันที่เสียงกับวิธีถ่ายทอดตามบท เก็บข้อความ ผู้พูด และลำดับส่วนให้เชื่อมกับเสียงบันทึก เพื่อให้การแก้ไขเปลี่ยนย่อหน้าที่ต้องการได้โดยไม่เสียการแสดงส่วนอื่น

MAI-Voice-2 เน้นความเป็นธรรมชาติและการแสดงออกในประสบการณ์ฟังที่ยาว ความสามารถเนื้อหายาวไม่ได้กำหนดว่าอินพุตไม่มีขีดจำกัดหรือรับประกันเวลาบันทึกสูงสุด คำอธิบาย Voice-2 รุ่นนี้ต้องแยกจากรายการภาษาที่ขยายและการตั้งค่าเสียงของ Voice-2.1 รุ่นต่าง ๆ ที่มาภายหลัง

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

microsoft/mai-voice-2

Microsoft AI /microsoft/mai-voice-2

เริ่มต้น

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
ฟิลด์`model`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด microsoft/mai-voice-2	ค่าเริ่มต้น—
ฟิลด์`input`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด ความยาวขั้นต่ำ: 1 หน่วย: อักขระ Unicode	ค่าเริ่มต้น—
ฟิลด์`voice`	ประเภท`string`	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—
ฟิลด์`response_format`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด mp3	ค่าเริ่มต้น—

ชุดผสมของสื่ออินพุต

text_to_speech · จำเป็น: input

พารามิเตอร์และวงจรการทำงานของเมธอด

พารามิเตอร์	ข้อกำหนด
พารามิเตอร์`content_type`	ข้อกำหนดapplication/json
พารามิเตอร์`required`	ข้อกำหนดmodel, input, voice, response_format
พารามิเตอร์`voice_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
พารามิเตอร์`response_format`	ข้อกำหนดmp3
พารามิเตอร์`max_input_characters`	ข้อกำหนดnull
พารามิเตอร์`other_options`	ข้อกำหนดfalse
พารามิเตอร์`input`	ข้อกำหนดข้อความ UTF-8 ที่ตรงตามต้นฉบับ นับอักขระ Unicode โดยไม่ปรับรูปแบบมาตรฐาน
พารามิเตอร์`material_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 $0.044 ต่ออักขระอินพุต 1K ตัว

รายละเอียดอัตราอ้างอิง

ตารางอัตราอ้างอิงระดับโมเดลไม่เปลี่ยนเมธอดที่เลือก ยอดประมาณการ หรือค่าบริการ การคิดค่าบริการจริงใช้อัตราของเมธอด Ailoot ที่เลือก

Microsoft AI: MAI-Voice-2

ราคาตามการตั้งค่า

การตั้งค่า	เงื่อนไขคิดค่าบริการ	ค่าบริการ
การตั้งค่าMicrosoft AI: MAI-Voice-2 · การตั้งค่าเริ่มต้น	เงื่อนไขคิดค่าบริการการตั้งค่าเริ่มต้น	ค่าบริการ ขาเข้า · อักขระอินพุต US$0.000044 ต่ออักขระอินพุต

Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →

ตัวอย่างคำขอ

Ailoot Ultra · การสังเคราะห์เสียงพูด

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

รับและบันทึกผลลัพธ์

Ailoot Ultra · การสังเคราะห์เสียงพูด

mp3

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

การอ่านเนื้อหาแบบอื่น

คลังสื่อสถานะงานรายละเอียดไฟล์สื่อ

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
ฟิลด์`binary audio`	ประเภทbytes
ฟิลด์`response headers`	ประเภทheaders

ข้อผิดพลาดและขั้นตอนถัดไป

การตอบกลับ	เงื่อนไข	ขั้นตอนถัดไป
การตอบกลับ400 · `invalid_request_error`	เงื่อนไขฟิลด์จำเป็น รูปแบบการแทนข้อมูล หรือค่าพารามิเตอร์ไม่ถูกต้อง	ขั้นตอนถัดไปแก้ฟิลด์ที่ระบุก่อนส่งคำขอสร้างครั้งใหม่
การตอบกลับ`server_error`	เงื่อนไขการตอบกลับที่ได้รับระบุว่าต้องตรวจสอบการดำเนินการหรือผลลัพธ์	ขั้นตอนถัดไปเก็บ ID การดำเนินการ/งานที่ส่งกลับมาแต่เดิม ส่วนหัวของคำขอ และการตอบกลับไว้ แล้วอ่านข้อมูลการดำเนินการเดิมนั้นต่อด้วยวิธีที่รองรับ ห้ามส่งคำขอสร้างซ้ำ

ชื่ออื่น

ชื่ออื่นของโมเดล

Ailoot Ultra microsoft/mai-voice-2

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

microsoft/mai-voice-2

FAQ · Microsoft AI: MAI-Voice-2

มีอินพุตและผลลัพธ์ใดบ้าง?: POST /v1/audio/speech · microsoft/mai-voice-2: text → audio
คำขอใช้ฟิลด์ใดบ้าง?: POST /v1/audio/speech · microsoft/mai-voice-2: model, input, voice, response_format

Microsoft AI: MAI-Voice-2