Microsoft AI: MAI-Voice-2.1

MAI-Voice-2.1 es un modelo de texto a voz de Microsoft, listado bajo el nombre Microsoft AI. Se encuentra en la categoría de voz, y es el modelo de texto a voz de mayor fidelidad y más expresivo de Microsoft según la descripción del proveedor. Si tu aplicación necesita convertir texto escrito en audio hablado, esta es la familia de modelos que Microsoft posiciona para esa tarea, y está disponible en api14 junto con otros modelos de voz.

El modelo toma texto como su única entrada y devuelve voz como su única salida. Cubre 23 idiomas, y la lista de voces muestra la amplitud de esa cobertura: checo, danés, alemán, inglés australiano, británico, indio y estadounidense, español de España y México, finlandés, francés, francés canadiense, hindi, húngaro, indonesio, italiano, coreano, noruego bokmål, neerlandés, polaco, portugués brasileño y europeo, rumano, ruso, sueco, tailandés, turco, vietnamita y chino. Varios idiomas incluyen múltiples voces con nombre, así que puedes elegir un hablante específico en lugar de aceptar uno predeterminado. El proveedor describe la salida como voz natural, de calidad de estudio, con prosodia detallada, expresividad matizada y consistencia del hablante en contenido de formato largo. No se publica ninguna longitud de contexto para este modelo, y no expone ningún parámetro de solicitud compatible.

Los usos prácticos se derivan de esos rasgos. La narración de formato largo encaja bien, ya que la consistencia del hablante se mantiene a lo largo de contenido extenso, lo cual importa para audiolibros, cursos de aprendizaje electrónico y documentación leída en voz alta. La variedad de voces e idiomas se adapta a la localización, donde el mismo guion se reproduce en varios mercados con diferentes hablantes. La prosodia expresiva ayuda en interfaces conversacionales, locuciones y herramientas de lectura asistida donde una entrega plana suena mal. Como la entrada es texto plano, puedes generar voz a partir de contenido que tu sistema ya produce, como artículos, respuestas de soporte o notificaciones.

Para llamarlo a través de api14, usa el id de modelo "microsoft/mai-voice-2.1" contra el endpoint compatible con OpenAI, de la misma manera en que llamarías a cualquier otro modelo en la pasarela. Envías texto y seleccionas una voz de la lista, por ejemplo en-US-Harper:MAI-Voice-2.1 o de-DE-Klaus:MAI-Voice-2.1, y la respuesta es audio de voz. El modelo no reporta ningún parámetro de solicitud compatible, así que no hay ajustes de muestreo o generación que configurar; la selección de voz y el texto de entrada son lo que da forma al resultado. Consulta la tabla de precios en vivo en la página para conocer las tarifas actuales antes de comprometerte con una carga de trabajo.

Un límite que vale la pena señalar es el alcance. Este modelo solo produce voz a partir de texto. No acepta entrada de audio, así que la transcripción, la traducción de audio hablado o la conversión de voz a voz quedan fuera de lo que hace, y necesitarías un modelo diferente para esas tareas. Tampoco genera texto, así que no reemplazará a un modelo de chat o de completado en un flujo de trabajo. Si tu requisito es salida de texto o comprensión de audio en lugar de generación de audio, busca en otra parte de api14.