Microsoft AI: MAI-Voice-2.1

MAI-Voice-2.1 ist ein Text-zu-Sprache-Modell von Microsoft, gelistet unter dem Namen Microsoft AI. Es befindet sich in der Kategorie Sprache und ist laut Anbieterbeschreibung Microsofts hochauflösendstes und ausdrucksstärkstes Text-zu-Sprache-Modell. Wenn Ihre Anwendung geschriebenen Text in gesprochenes Audio umwandeln soll, ist dies die Modellfamilie, die Microsoft für diese Aufgabe positioniert, und sie ist auf api14 neben anderen Sprachmodellen verfügbar.

Das Modell nimmt Text als einzige Eingabe und liefert Sprache als einzige Ausgabe. Es deckt 23 Sprachen ab, und die Stimmenliste zeigt die Breite dieser Abdeckung: Tschechisch, Dänisch, Deutsch, australisches, britisches, indisches und amerikanisches Englisch, Spanisch aus Spanien und Mexiko, Finnisch, Französisch, kanadisches Französisch, Hindi, Ungarisch, Indonesisch, Italienisch, Koreanisch, Norwegisches Bokmål, Niederländisch, Polnisch, brasilianisches und europäisches Portugiesisch, Rumänisch, Russisch, Schwedisch, Thailändisch, Türkisch, Vietnamesisch und Chinesisch. Mehrere Sprachen umfassen mehrere benannte Stimmen, sodass Sie einen bestimmten Sprecher auswählen können, statt eine Standardeinstellung zu akzeptieren. Der Anbieter beschreibt die Ausgabe als natürliche Sprache in Studioqualität mit detaillierter Prosodie, nuancierter Ausdrucksstärke und Sprecherkonsistenz über langformatige Inhalte. Für dieses Modell ist keine Kontextlänge veröffentlicht, und es werden keine unterstützten Anfrageparameter offengelegt.

Die praktischen Einsatzmöglichkeiten ergeben sich aus diesen Eigenschaften. Langformatige Narration passt gut, da die Sprecherkonsistenz über längere Inhalte hinweg erhalten bleibt, was für Hörbücher, E-Learning-Kurse und vorgelesene Dokumentation wichtig ist. Die Bandbreite an Stimmen und Sprachen eignet sich für Lokalisierung, bei der dasselbe Skript in mehreren Märkten mit unterschiedlichen Sprechern umgesetzt wird. Ausdrucksstarke Prosodie hilft bei dialogorientierten Schnittstellen, Voiceovers und unterstützenden Vorlesewerkzeugen, bei denen eine flache Vortragsweise falsch klingt. Da die Eingabe reiner Text ist, können Sie Sprache aus Inhalten erzeugen, die Ihr System bereits produziert, etwa Artikel, Support-Antworten oder Benachrichtigungen.

Um es über api14 aufzurufen, verwenden Sie die Modell-ID "microsoft/mai-voice-2.1" gegen den OpenAI-kompatiblen Endpunkt, genauso wie Sie jedes andere Modell auf dem Gateway aufrufen würden. Sie senden Text und wählen eine Stimme aus der Liste, zum Beispiel en-US-Harper:MAI-Voice-2.1 oder de-DE-Klaus:MAI-Voice-2.1, und die Antwort ist Sprachaudio. Das Modell meldet keine unterstützten Anfrageparameter, es gibt also keine Sampling- oder Generierungsregler zum Justieren; die Stimmenauswahl und der Eingabetext formen das Ergebnis. Prüfen Sie die aktuelle Preistabelle auf der Seite auf die derzeitigen Tarife, bevor Sie sich auf eine Arbeitslast festlegen.

Eine erwähnenswerte Einschränkung ist der Umfang. Dieses Modell erzeugt nur Sprache aus Text. Es akzeptiert keine Audioeingabe, daher liegen Transkription, Übersetzung gesprochenen Audios oder Sprache-zu-Sprache-Konvertierung außerhalb dessen, was es tut, und Sie bräuchten für diese Aufgaben ein anderes Modell. Es erzeugt auch keinen Text, ersetzt also kein Chat- oder Completion-Modell in einer Pipeline. Wenn Ihr Bedarf Textausgabe oder Audioverständnis statt Audiogenerierung ist, schauen Sie sich anderswo auf api14 um.