Microsoft AI: MAI-Voice-2-Flash

MAI-Voice-2-Flash của Microsoft AI tạo giọng nói giàu biểu cảm bằng 15 ngôn ngữ cho trợ lý, hỗ trợ khách hàng và menu bằng giọng nói. Mô hình kết hợp cách thể hiện phản hồi nhanh với thư viện giọng được tuyển chọn, prompt dùng giọng tham chiếu và điều khiển sắc thái theo lượt.

Ailoot Ultra · Tổng hợp giọng nói POST /v1/audio/speech microsoft/mai-voice-2-flash

Về mô hình

Mô tả này trình bày khả năng của mô hình. Đầu vào, đầu ra và tùy chọn có trên Ailoot được liệt kê bên dưới cho phương thức đã chọn.

MAI-Voice-2-Flash là mô hình chuyển văn bản thành giọng nói của Microsoft AI được thiết kế cho trải nghiệm giọng nói phản hồi nhanh ở quy mô sử dụng lớn. Nhà sản xuất mô tả ngữ điệu tự nhiên, âm thanh rõ và cách thể hiện giàu biểu cảm, với trợ lý, tác nhân hỗ trợ khách hàng và menu điện thoại trong số nhiệm vụ chính. Văn bản lời nói viết sẵn trở thành âm thanh bằng giọng đã chọn. Flash là biến thể cụ thể của MAI-Voice-2, tách biệt với họ MAI-Voice-2.1 ra đời sau.

Chọn ngôn ngữ và giọng

Thẻ mô hình cụ thể công bố mười lăm ngôn ngữ và mười tám biến thể địa phương. Chúng bao gồm tiếng Anh, Ý, Tây Ban Nha, Hindi, Pháp, Đức, Bồ Đào Nha, Hàn, Trung giản thể, Thổ Nhĩ Kỳ, Nga, Thái, Hà Lan, Romania và Hungary, với biến thể vùng miền riêng cho một số ngôn ngữ. Chọn ngôn ngữ dự kiến và soạn chính câu chữ người nghe cần nghe. Khác biệt địa phương có thể quan trọng với lời chào, tên sản phẩm hoặc cách phát âm quen thuộc với người nghe.

Microsoft công bố hai cách chọn giọng: thư viện được tuyển chọn và prompt giọng từ một bản ghi ngắn. Thư viện cung cấp người nói có sẵn cho lời dẫn hoặc tương tác. Bản ghi tham chiếu xác định danh tính người nói khác thông qua quy trình giọng tùy chỉnh của nhà sản xuất. Giữ lựa chọn người nói nhất quán qua các prompt liên quan để thông điệp mở đầu, lời giải thích và phần tiếp theo nghe như các phần của cùng một trải nghiệm.

Sắc thái cho lời nói tương tác

Mô hình hỗ trợ điều khiển sắc thái, cách thể hiện và cảm xúc theo lượt. Với trợ lý bằng giọng nói, viết chỉ dẫn đầu tiên ngắn gọn rồi đến chi tiết người nghe cần. Một câu thực tế là: “Chọn tài liệu bạn muốn mở. Nếu không chắc về tiêu đề, hãy cho tôi biết tài liệu nói về điều gì.” Kịch bản cho người nghe hành động rõ ràng đồng thời dành chỗ cho câu hỏi tiếp theo.

Với trao đổi giáo dục, tách lời giải thích khỏi câu hỏi người học cần trả lời. Với menu, giữ tên lựa chọn ngắn và dùng câu chữ vẫn rõ khi chỉ nghe một lần. Sắc thái nên đi theo mục đích đoạn lời nói: lời trấn an, chỉ dẫn và câu hỏi có thể cần cách thể hiện khác nhau trong khi giữ cùng một giọng.

Chuẩn bị giọng tham chiếu

Nhà sản xuất quy định bản ghi từ năm đến sáu mươi giây cho prompt giọng và mô tả việc khớp với người nói đã đồng ý mà không cần huấn luyện thêm. Hãng khuyến nghị cách nói chuyện tự nhiên với năng lượng vừa phải, vì mẫu tham chiếu ảnh hưởng đáng kể đến kết quả. Chuẩn bị bản ghi đại diện cho giọng muốn dùng thay vì phần thể hiện có mức âm lượng hoặc biểu cảm cực đoan không liên quan.

Chế độ này được công bố cho giọng đã được cho phép và có sự đồng ý. Quy trình của nhà sản xuất và thư viện giọng đặt sẵn là các cách chuẩn bị riêng. Đầu ra vẫn là lời nói được tổng hợp mới từ văn bản được cung cấp; bản ghi cung cấp danh tính người nói mong muốn.

Làm việc với kết quả lời nói

Dùng Flash cho tương tác cần lời đáp được đưa ra nhanh chóng và vẫn dễ hiểu. Nhà sản xuất định vị biến thể này quanh khả năng phản hồi nhanh trong khi giữ ngữ điệu và chất lượng âm học của dòng MAI-Voice-2. Giữ mỗi lượt lời gắn với văn bản và người nói để tên quan trọng, lệnh và chuyển biến cảm xúc có thể được kiểm tra trong ngữ cảnh.

Kết quả hữu ích là lời hướng dẫn hoặc phản hồi rõ ràng bằng ngôn ngữ và giọng cần thiết. Nghe câu chữ theo cách người nghe sẽ nghe, nhất là trong chuỗi lời hướng dẫn. Đặc tả mười lăm ngôn ngữ, mười tám biến thể địa phương của mô hình thuộc chính phiên bản Voice-2-Flash này; danh mục ngôn ngữ mở rộng và chi tiết giọng được quản lý của các phiên bản sau thuộc hồ sơ riêng của chúng.

Ailoot Ultra · Tổng hợp giọng nói POST /v1/audio/speech microsoft/mai-voice-2-flash

microsoft/mai-voice-2-flash

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

Bắt đầu

Đầu vào được chấp nhận: Văn bản
Kết quả: Âm thanh

Có trên Ailoot · đầu vào & phương thức

Ailoot Ultra · Tổng hợp giọng nói POST /v1/audio/speech

Đầu vào: text
Đầu ra: audio
Định dạng đầu ra: mp3

Trường	Loại	Yêu cầu	Giá trị & giới hạn	Mặc định
Trường`model`	Loại`string`	Yêu cầuBắt buộc	Giá trị & giới hạn microsoft/mai-voice-2-flash	Mặc định—
Trường`input`	Loại`string`	Yêu cầuBắt buộc	Giá trị & giới hạn Độ dài tối thiểu: 1 Đơn vị: ký tự Unicode	Mặc định—
Trường`voice`	Loại`string`	Yêu cầuBắt buộc	Giá trị & giới hạn en-US-Harper:MAI-Voice-2, es-MX-Valeria:MAI-Voice-2, fr-FR-Soleil:MAI-Voice-2, de-DE-Klaus:MAI-Voice-2	Mặc định—
Trường`response_format`	Loại`string`	Yêu cầuBắt buộc	Giá trị & giới hạn mp3	Mặc định—

Tổ hợp tư liệu đầu vào

text_to_speech · Bắt buộc: input

Tham số phương thức và vòng đời

Tham số	Hợp đồng
Tham số`content_type`	Hợp đồngapplication/json
Tham số`required`	Hợp đồngmodel, input, voice, response_format
Tham số`voice_ids`	Hợp đồngen-US-Harper:MAI-Voice-2, es-MX-Valeria:MAI-Voice-2, fr-FR-Soleil:MAI-Voice-2, de-DE-Klaus:MAI-Voice-2
Tham số`response_format`	Hợp đồngmp3
Tham số`max_input_characters`	Hợp đồngnull
Tham số`other_options`	Hợp đồngfalse
Tham số`input`	Hợp đồngvăn bản UTF-8 nguyên dạng; đếm ký tự Unicode mà không chuẩn hóa
Tham số`material_types`	Hợp đồngtext

Vòng đời: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · Giá trị task_id thực tế đã trả về hoặc bản ghi trong thư viện nội dung đa phương tiện

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Chọn giọng nói chính xác từ hồ sơ mô hình này.

Ký tự đầu vào và giây âm thanh là các đơn vị đo tính phí khác nhau.

Bảng giá

Thông tin biểu giá không bổ sung tùy chọn yêu cầu. Các tham số được hỗ trợ nằm trong phương thức đã chọn.

Chế độ nhanh: Chưa chỉ định Khi chọn chế độ nhanh
Chế độ Flex: Chưa chỉ định Khi chọn chế độ flex
Mức độ suy luận tối đa: Chưa chỉ định Khi áp dụng mức điều chỉnh mặc định (default) cho mức độ suy luận tối đa

Mức phí Ailoot

Giá theo cấu hình

Đối chiếu từng khoản phí với điều kiện hiển thị. Dùng một mức phí cho mỗi nhóm cấu hình thay thế.

Cấu hình	Biểu mức phí	Lượng tính phí	Đơn vị tính phí	Phí
Cấu hìnhGiá cơ sở cho token	Biểu mức phíMức phí cơ bản	Lượng tính phí—	Đơn vị tính phí—	Phí Đầu vào · Token đầu vào — / 1K token Đầu ra · Token đầu ra — / 1K token Đầu vào · Đọc bộ nhớ đệm — / 1K token Đầu vào · Ghi bộ nhớ đệm — / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token
Cấu hìnhUltra	Biểu mức phí—	Lượng tính phíMỗi điểm mã Unicode được tính là một ký tự, bao gồm ký tự Hán (Han).	Đơn vị tính phímỗi 1K ký tự đầu vào	Phí Đầu vào · Ký tự đầu vào $0.03 mỗi 1K ký tự đầu vào

Chi tiết giá cước tham chiếu

Biểu tham chiếu cấp mô hình không thay đổi việc chọn phương thức, báo giá hoặc khoản phí. Khoản phí đang áp dụng dùng mức phí phương thức Ailoot đã chọn.

Microsoft AI: MAI-Voice-2-Flash

Giá theo cấu hình

Cấu hình	Điều kiện tính phí	Phí
Cấu hìnhMicrosoft AI: MAI-Voice-2-Flash · Cấu hình mặc định	Điều kiện tính phíCấu hình mặc định	Phí Đầu vào · Ký tự đầu vào 0,00003 US$ mỗi ký tự đầu vào

Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. Cách hoạt động của cơ chế tạm giữ và quyết toán →

Ví dụ yêu cầu

Ailoot Ultra · Tổng hợp giọng nói

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

Nhận và lưu kết quả

Ailoot Ultra · Tổng hợp giọng nói

mp3

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

Lượt đọc nội dung khác

Thư viện phương tiệnTrạng thái tác vụChi tiết tài nguyên

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

Lưu tất cả kết quả đã hoàn tất

Lưu mọi phản hồi hoàn chỉnh, tệp và phần nội dung được trả về.

Giữ lại toàn bộ kết quả nhị phân và các header. Nếu phản hồi ở dạng JSON hoặc chứa nhiều đầu ra, giữ lại mọi phần tử dữ liệu và tải từng tài nguyên từ URL có chữ ký thực tế.

Nếu cần kiểm tra phản hồi gốc

Giữ lại operation_id/X-Client-Request-ID gốc để đối soát mà không gửi lại yêu cầu; không có tuyến truy vấn trạng thái riêng cho âm thanh.

Trường phản hồi

Trường	Loại
Trường`binary audio`	Loạibytes
Trường`response headers`	Loạiheaders

Lỗi và bước tiếp theo

Phản hồi	Điều kiện	Bước tiếp theo
Phản hồi400 · `invalid_request_error`	Điều kiệnTrường bắt buộc, cách biểu diễn tài liệu hoặc giá trị tham số không hợp lệ	Bước tiếp theoSửa các trường được chỉ ra trước khi gửi yêu cầu tạo mới.
Phản hồi`server_error`	Điều kiệnPhản hồi trả về cho biết thao tác hoặc kết quả cần được kiểm tra	Bước tiếp theoGiữ lại ID thao tác/tác vụ gốc đã trả về, các header của yêu cầu và toàn bộ phản hồi; tiếp tục truy xuất thao tác gốc đó bằng các phương thức được hỗ trợ. Không gửi lại yêu cầu tạo.

Bí danh

Bí danh mô hình

Ailoot Ultra microsoft/mai-voice-2-flash

Bí danh đường dẫn phương thức

Dùng các đường dẫn phương thức hiển thị ở trên.

ID gọi liên quan

microsoft/mai-voice-2-flash

FAQ · Microsoft AI: MAI-Voice-2-Flash

Có những đầu vào và kết quả nào?: POST /v1/audio/speech · microsoft/mai-voice-2-flash: text → audio
Yêu cầu sử dụng những trường nào?: POST /v1/audio/speech · microsoft/mai-voice-2-flash: model, input, voice, response_format

Microsoft AI: MAI-Voice-2-Flash