Microsoft AI: MAI-Voice-2.1

MAI-Voice-2.1 è un modello text-to-speech di Microsoft, elencato sotto il nome Microsoft AI. Si colloca nella categoria speech, ed è il modello text-to-speech di Microsoft con la più alta fedeltà e la maggiore espressività secondo la descrizione del provider. Se la tua applicazione deve trasformare testo scritto in audio parlato, questa è la famiglia di modelli che Microsoft posiziona per quel compito, ed è disponibile su api14 insieme ad altri modelli speech.

Il modello accetta testo come unico input e restituisce parlato come unico output. Copre 23 lingue, e l'elenco delle voci mostra l'ampiezza di questa copertura: ceco, danese, tedesco, inglese australiano, britannico, indiano e americano, spagnolo di Spagna e Messico, finlandese, francese, francese canadese, hindi, ungherese, indonesiano, italiano, coreano, norvegese Bokmål, olandese, polacco, portoghese brasiliano ed europeo, rumeno, russo, svedese, thai, turco, vietnamita e cinese. Diverse lingue includono più voci con nome, quindi puoi scegliere un parlante specifico invece di accettare un valore predefinito. Il provider descrive l'output come parlato naturale, di qualità da studio, con prosodia dettagliata, espressività sfumata e coerenza del parlante su contenuti di lunga durata. Non è pubblicata alcuna lunghezza di contesto per questo modello, e non espone alcun parametro di richiesta supportato.

Gli usi pratici derivano da queste caratteristiche. La narrazione di lunga durata è adatta, poiché la coerenza del parlante viene mantenuta su contenuti estesi, il che conta per audiolibri, corsi di e-learning e documentazione letta ad alta voce. La gamma di voci e lingue si presta alla localizzazione, dove lo stesso copione viene reso in diversi mercati con parlanti diversi. La prosodia espressiva aiuta nelle interfacce conversazionali, nei voiceover e negli strumenti di lettura assistita dove una resa piatta suona sbagliata. Poiché l'input è testo semplice, puoi generare parlato da contenuti che il tuo sistema già produce, come articoli, risposte di supporto o notifiche.

Per chiamarlo tramite api14, usa l'id del modello "microsoft/mai-voice-2.1" sull'endpoint compatibile con OpenAI, allo stesso modo in cui chiameresti qualsiasi altro modello sul gateway. Invii il testo e selezioni una voce dall'elenco, per esempio en-US-Harper:MAI-Voice-2.1 o de-DE-Klaus:MAI-Voice-2.1, e la risposta è audio parlato. Il modello non riporta parametri di richiesta supportati, quindi non ci sono manopole di campionamento o generazione da regolare; la selezione della voce e il testo di input sono ciò che plasma il risultato. Controlla la tabella dei prezzi live sulla pagina per le tariffe attuali prima di impegnarti su un carico di lavoro.

Un limite che vale la pena notare è l'ambito. Questo modello produce solo parlato da testo. Non accetta input audio, quindi trascrizione, traduzione di audio parlato o conversione speech-to-speech sono al di fuori di ciò che fa, e avresti bisogno di un modello diverso per quei compiti. Inoltre non genera testo, quindi non sostituirà un modello di chat o completion in una pipeline. Se il tuo requisito è output di testo o comprensione audio anziché generazione audio, guarda altrove su api14.