Microsoft AI: MAI-Voice-2

MAI-Voice-2 của Microsoft AI tạo giọng nói đa ngôn ngữ giàu biểu cảm cho lời dẫn, đối thoại và ứng dụng lời nói. Tính nhất quán khi tạo nội dung dài, nhiều người nói và điều khiển cảm xúc theo lượt hỗ trợ sách nói, bài học và giọng nhân vật.

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

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 là mô hình chuyển văn bản thành giọng nói theo prompt của Microsoft AI cho nội dung lời nói tự nhiên, giàu biểu cảm. Nhà sản xuất nhấn mạnh độ trung thực âm học, tính nhất quán của người nói và phạm vi cảm xúc. Các nhiệm vụ được công bố gồm trợ lý, sách nói, podcast, bài giảng, nhân vật giáo dục và lời dẫn hỗ trợ khả năng tiếp cận. Văn bản lời nói trở thành âm thanh bằng giọng đã chọn; biến thể Voice-2-Flash có hồ sơ riêng cho tương tác ưu tiên phản hồi tức thì.

Ngôn ngữ và người nói

Bản phát hành Voice-2 của Microsoft mô tả mười lăm ngôn ngữ, gồm tiếng Anh, Pháp, Đức, Ý, Tây Ban Nha, Bồ Đào Nha, Hindi, Hàn, Trung giản thể, Thổ Nhĩ Kỳ, Nga, Thái, Hà Lan, Romania và Hungary. Một số ngôn ngữ có biến thể vùng miền riêng. Bản phát hành cũng mô tả việc chuyển đổi Hindi–Anh và Tây Ban Nha–Anh, để một số đoạn trộn ngôn ngữ có thể giữ cách người nói luân phiên ngôn ngữ tự nhiên.

Soạn các từ thực tế cần đọc và giữ ngôn ngữ dự kiến của chúng. Đoạn giáo dục song ngữ có thể giới thiệu thuật ngữ bằng một ngôn ngữ và giải thích bằng ngôn ngữ khác, trong khi giữ nguyên tên riêng và câu trích dẫn. Kết quả lời nói cần được kiểm tra theo chất giọng vùng miền và người nghe mà tác phẩm yêu cầu, thay vì xem mọi biến thể địa phương là có thể thay thế cho nhau.

Thẻ mô hình cung cấp thư viện giọng được tuyển chọn và cách đưa prompt giọng tham chiếu riêng. Giọng nói tham chiếu cung cấp danh tính người nói mong muốn mà không cần tinh chỉnh mô hình. Microsoft khuyến nghị cách nói chuyện tự nhiên với năng lượng vừa phải vì bản ghi ảnh hưởng đến nhịp và cách thể hiện. Dùng bản ghi đại diện đã có sự đồng ý khi nhiệm vụ cần giọng tùy chỉnh.

Lời dẫn dài hơn và đối thoại

Thẻ mô hình công bố khả năng tạo nội dung dài bằng chia đoạn có chuyển tiếp ngữ cảnh. Điều này hỗ trợ lời dẫn liên kết như một chương, bài học hoặc chuỗi đoạn podcast. Chia kịch bản tại ranh giới phần có ý nghĩa và giữ thuật ngữ cùng lựa chọn người nói nhất quán. Lời giải thích dài được hỗ trợ bởi câu chuyển bằng lời cho người nghe biết khi chủ đề thay đổi.

Hỗ trợ nhiều người nói cho phép các vai trò riêng trong đối thoại đã chuẩn bị. Giao câu hỏi và câu trả lời cho đúng người nói dự kiến, rồi giữ phân công đó khi một vai trò xuất hiện lại. Đầu vào nên chứa câu thoại cuối cùng và chỉ dẫn thể hiện liên quan, không phải yêu cầu mở để bộ tổng hợp giọng nói tự nghĩ ra hội thoại.

Sắc thái và thể hiện cảm xúc

Microsoft công bố khả năng điều khiển chi tiết sắc thái, cách thể hiện và cảm xúc theo lượt. Các ví dụ phát hành thể hiện vai nói giàu biểu cảm và đoạn lời mang cảm xúc. Với câu chuyện, xác định câu nào nêu sự kiện, suy ngẫm hay hào hứng, rồi áp dụng cách thể hiện theo ý nghĩa đó. Một câu thực tế là: “Phần yên tĩnh nhất của thí nghiệm hóa ra lại tiết lộ nhiều nhất. Đó là nơi quy luật lần đầu trở nên rõ ràng.” Câu chữ tạo thay đổi nhấn giọng có chủ đích trong phần thể hiện.

Với lời thuyết minh hướng dẫn, giữ hành động rõ ràng và đặt giải thích trong câu riêng. Với đối thoại, phân biệt câu chữ nhân vật nói với ghi chú cảnh. Nghe tên lặp lại và chuyển tiếp giữa các đoạn để chuỗi cuối cùng vẫn mạch lạc.

Sử dụng âm thanh

Đầu ra là lời nói được tạo mới cho văn bản được cung cấp. Dạng hữu ích của nó là lời dẫn, đối thoại hoặc phản hồi bằng lời của ứng dụng có giọng và cách thể hiện đi theo kịch bản. Giữ văn bản, người nói và thứ tự phần gắn với bản ghi để việc sửa đổi thay đúng đoạn dự kiến mà không làm mất phần thể hiện còn lại.

MAI-Voice-2 nhấn mạnh tính tự nhiên và biểu cảm trong trải nghiệm nghe dài. Khả năng tạo nội dung dài không xác định đầu vào không giới hạn hay thời lượng ghi âm tối đa được bảo đảm. Mô tả cụ thể của Voice-2 vẫn tách biệt với danh mục ngôn ngữ mở rộng và thiết lập giọng của các phiên bản Voice-2.1 ra đời sau.

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

microsoft/mai-voice-2

Microsoft AI /microsoft/mai-voice-2

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	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 $0.044 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

Giá theo cấu hình

Cấu hình	Điều kiện tính phí	Phí
Cấu hìnhMicrosoft AI: MAI-Voice-2 · Cấu hình mặc định	Điều kiện tính phíCấu hình mặc định	Phí Đầu vào · Ký tự đầu vào 0,000044 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", "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

Bí danh đường dẫn phương thức

Dùng các đường dẫn phương thức hiển thị ở trên.

ID gọi liên quan

microsoft/mai-voice-2

FAQ · Microsoft AI: MAI-Voice-2

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

Microsoft AI: MAI-Voice-2