Microsoft AI: MAI-Voice-2.1-Flash

MAI-Voice-2.1-Flash هو نموذج تحويل النص إلى كلام من Microsoft AI، وهو جزء من عائلة MAI-Voice. يقع في فئة الكلام ومصمم للتوليف منخفض الكمون، وهو ما تصفه Microsoft بأنه محسّن للاستجابة في الوقت الفعلي. إذا كنت تعمل بالفعل مع نماذج Microsoft AI، فهذا هو النظير الخاص بتوليد الصوت لنماذج النصوص الخاصة بهم، ويتم تقديمه عبر api14 إلى جانب بقية الكتالوج.

يأخذ النموذج النص كمدخل وحيد له ويعيد الكلام كمخرج وحيد له. لا يوجد رقم منشور لنافذة السياق الخاصة به، وقيمة المخرج الأقصى المدرجة هي صفر، لذا تعامل معه كنقطة نهاية للتوليف بدلاً من نموذج محادثة: ترسل نصاً، فتحصل على صوت. يصف المزود المخرج بأنه طبيعي ومعبّر، مع نغمة وإيقاع وفروق عاطفية تشبه البشر. تغطيته تمتد إلى 23 لغة، وقائمة الأصوات هي حيث يصبح هذا الاتساع ملموساً. يُسمّى كل صوت بمنطقة لغوية واسم متحدث ولاحقة النموذج، على سبيل المثال en-US-Harper و de-DE-Klaus و fr-FR-Soleil و pt-BR-Luana و hi-IN-Kavya و ko-KR-Junho و zh-CN-Mei وغيرها الكثير. بعض المناطق اللغوية توفر عدة متحدثين مميزين، بينما تشترك أخرى في مجموعة أصغر، وتتكرر بعض الأسماء مثل Grant و Harper عبر العديد من اللغات.

تتبع الاستخدامات العملية مباشرة من النص دخولاً والكلام خروجاً، مع كمون منخفض. التطبيقات في الوقت الفعلي هي الأنسب الواضح: المساعدات الصوتية وواجهات الدردشة التي تحتاج إلى الإجابة بصوت عالٍ دون توقف محرج، والوكلاء التفاعليون، وأي خط أنابيب يحدث فيه التوليف على المسار الحرج لتفاعل المستخدم. ولأن النموذج يغطي 23 لغة مع عدة متحدثين لكل منطقة لغوية، فهو مناسب أيضاً لأعمال التوطين، لتوليد السرد أو الصوت الخاص بالواجهة لعدة أسواق من تكامل واحد بدلاً من تجميع مزودين منفصلين لكل لغة. إنتاج المحتوى زاوية أخرى: تحويل النصوص أو المقالات أو الوثائق إلى صوت منطوق، واختيار صوت لكل منطقة لغوية بحيث تبدو النتيجة أصلية وليست مترجمة. ادعاء النغمة المعبّرة يهم أكثر في أي شيء يواجه المستخدم، حيث سيكون الأداء الرتيب ملحوظاً.

تستدعيه عبر واجهة api14 المتوافقة مع OpenAI باستخدام معرّف النموذج microsoft/mai-voice-2.1-flash. ولأن الواجهة تتبع شكل OpenAI، يمكنك توجيه عميل OpenAI موجود إلى عنوان URL الأساسي لـ api14 وتبديل سلسلة النموذج، مما يبقي عمل الترحيل صغيراً. قائمة المعاملات المدعومة لهذا النموذج فارغة، لذا لا تفترض أن عناصر التحكم المعتادة في أخذ العينات مثل temperature أو top_p سيتم قبولها؛ تحقق من المخطط المباشر قبل إرسالها. اختيار الصوت هو المعامل المهم هنا، والقيم الصالحة هي معرّفات الأصوات الكاملة من القائمة، على سبيل المثال en-US-Iris:MAI-Voice-2.1-Flash أو رموز المناطق اللغوية بنمط ja مثل es-MX-Valeria:MAI-Voice-2.1-Flash. مرّر النص الذي تريد نطقه كمدخل، واضبط الصوت، واقرأ الصوت من الاستجابة.

لا يوجد طول سياق منشور، لذا يجب تقسيم المستندات الطويلة إلى أجزاء قبل التوليف بدلاً من إرسالها كطلب واحد. إذا كانت مهمتك النسخ أو فهم الكلام بدلاً من التوليد، فهذا النموذج في الاتجاه الخاطئ، لأنه يقبل النص فقط. وإذا كنت بحاجة إلى نموذج دردشة أو استدلال عام، فابحث في مكان آخر في الكتالوج؛ MAI-Voice-2.1-Flash يقوم بمهمة واحدة، تحويل النص إلى كلام عبر لغاته وأصواته المدعومة.