Microsoft AI: MAI-Voice-2.1

MAI-Voice-2.1 est un modèle de synthèse vocale de Microsoft, répertorié sous le nom Microsoft AI. Il appartient à la catégorie vocale, et il s'agit du modèle de synthèse vocale le plus fidèle et le plus expressif de Microsoft selon la description du fournisseur. Si votre application doit convertir du texte écrit en audio parlé, c'est la famille de modèles que Microsoft positionne pour cette tâche, et elle est disponible sur api14 aux côtés d'autres modèles vocaux.

Le modèle prend du texte comme seule entrée et renvoie de la parole comme seule sortie. Il couvre 23 langues, et la liste des voix montre l'étendue de cette couverture : tchèque, danois, allemand, anglais australien, britannique, indien et américain, espagnol d'Espagne et du Mexique, finnois, français, français canadien, hindi, hongrois, indonésien, italien, coréen, norvégien bokmål, néerlandais, polonais, portugais brésilien et européen, roumain, russe, suédois, thaï, turc, vietnamien et chinois. Plusieurs langues incluent plusieurs voix nommées, vous pouvez donc choisir un locuteur spécifique plutôt que d'accepter une valeur par défaut. Le fournisseur décrit la sortie comme une parole naturelle, de qualité studio, avec une prosodie détaillée, une expressivité nuancée et une cohérence du locuteur sur du contenu long. Aucune longueur de contexte n'est publiée pour ce modèle, et il n'expose aucun paramètre de requête pris en charge.

Les usages pratiques découlent de ces caractéristiques. La narration longue est un bon cas d'usage, car la cohérence du locuteur est maintenue sur du contenu étendu, ce qui compte pour les livres audio, les cours en ligne et la documentation lue à voix haute. La variété des voix et des langues convient à la localisation, où le même script est rendu sur plusieurs marchés avec différents locuteurs. Une prosodie expressive aide dans les interfaces conversationnelles, les voix off et les outils de lecture assistée où une diction plate sonne mal. Comme l'entrée est du texte brut, vous pouvez générer de la parole à partir de contenu que votre système produit déjà, comme des articles, des réponses d'assistance ou des notifications.

Pour l'appeler via api14, utilisez l'identifiant de modèle "microsoft/mai-voice-2.1" sur le point de terminaison compatible OpenAI, de la même manière que vous appelleriez n'importe quel autre modèle sur la passerelle. Vous envoyez du texte et sélectionnez une voix dans la liste, par exemple en-US-Harper:MAI-Voice-2.1 ou de-DE-Klaus:MAI-Voice-2.1, et la réponse est de l'audio parlé. Le modèle ne signale aucun paramètre de requête pris en charge, il n'y a donc aucun réglage d'échantillonnage ou de génération à ajuster ; la sélection de la voix et le texte d'entrée sont ce qui façonne le résultat. Consultez le tableau des prix en direct sur la page pour les tarifs actuels avant de vous engager sur une charge de travail.

Une limite à noter est la portée. Ce modèle produit uniquement de la parole à partir de texte. Il n'accepte pas d'entrée audio, donc la transcription, la traduction d'audio parlé ou la conversion parole-à-parole sortent de son champ d'action, et vous auriez besoin d'un modèle différent pour ces tâches. Il ne génère pas non plus de texte, il ne remplacera donc pas un modèle de chat ou de complétion dans un pipeline. Si votre besoin est une sortie texte ou une compréhension audio plutôt qu'une génération audio, cherchez ailleurs sur api14.