Microsoft AI: MAI-Voice-2.1

MAI-Voice-2.1 adalah model text-to-speech dari Microsoft, terdaftar dengan nama Microsoft AI. Model ini berada di kategori speech, dan menurut deskripsi provider, ini adalah model text-to-speech Microsoft dengan fidelitas tertinggi dan paling ekspresif. Jika aplikasi Anda perlu mengubah teks tertulis menjadi audio lisan, inilah keluarga model yang diposisikan Microsoft untuk tugas tersebut, dan tersedia di api14 bersama model speech lainnya.

Model ini menerima teks sebagai satu-satunya input dan mengembalikan speech sebagai satu-satunya output. Model ini mencakup 23 bahasa, dan daftar voice menunjukkan luasnya cakupan tersebut: Ceko, Denmark, Jerman, Inggris Australia, Inggris Britania, Inggris India dan Inggris Amerika, Spanyol dari Spanyol dan Meksiko, Finlandia, Prancis, Prancis Kanada, Hindi, Hungaria, Indonesia, Italia, Korea, Norwegia Bokmål, Belanda, Polandia, Portugis Brasil dan Portugis Eropa, Rumania, Rusia, Swedia, Thailand, Turki, Vietnam dan Tionghoa. Beberapa bahasa menyertakan beberapa voice bernama, sehingga Anda dapat memilih speaker tertentu alih-alih menerima default. Provider mendeskripsikan output sebagai speech natural setingkat studio dengan prosodi terperinci, ekspresivitas bernuansa dan konsistensi speaker pada konten berdurasi panjang. Tidak ada panjang konteks yang dipublikasikan untuk model ini, dan model ini tidak mengekspos parameter request yang didukung.

Kegunaan praktisnya mengikuti karakteristik tersebut. Narasi berdurasi panjang cocok, karena konsistensi speaker dipertahankan di seluruh konten yang panjang, yang penting untuk audiobook, kursus e-learning dan dokumentasi yang dibacakan. Rentang voice dan bahasa cocok untuk lokalisasi, di mana skrip yang sama dirender di beberapa pasar dengan speaker berbeda. Prosodi ekspresif membantu pada antarmuka percakapan, voiceover dan alat baca bantu yang akan terdengar salah jika penyampaiannya datar. Karena inputnya adalah teks biasa, Anda dapat menghasilkan speech dari konten yang sudah diproduksi sistem Anda, seperti artikel, jawaban dukungan atau notifikasi.

Untuk memanggilnya melalui api14, gunakan model id "microsoft/mai-voice-2.1" pada endpoint yang kompatibel dengan OpenAI, sama seperti Anda memanggil model lain di gateway. Anda mengirim teks dan memilih voice dari daftar, misalnya en-US-Harper:MAI-Voice-2.1 atau de-DE-Klaus:MAI-Voice-2.1, dan responsnya adalah audio speech. Model ini melaporkan tidak ada parameter request yang didukung, jadi tidak ada knob sampling atau generasi yang perlu disetel; pemilihan voice dan teks input itulah yang membentuk hasilnya. Periksa tabel harga langsung di halaman untuk tarif terkini sebelum Anda berkomitmen pada suatu beban kerja.

Satu batasan yang perlu dicatat adalah cakupannya. Model ini hanya menghasilkan speech dari teks. Model ini tidak menerima input audio, jadi transkripsi, terjemahan audio lisan atau konversi speech-to-speech berada di luar kemampuannya, dan Anda memerlukan model lain untuk tugas tersebut. Model ini juga tidak menghasilkan teks, jadi model ini tidak akan menggantikan model chat atau completion dalam pipeline. Jika kebutuhan Anda adalah output teks atau pemahaman audio alih-alih generasi audio, carilah di tempat lain di api14.