Microsoft AI: MAI-Voice-2.1

MAI-Voice-2.1は、Microsoftのテキスト読み上げモデルで、Microsoft AIという名前で掲載されています。音声カテゴリに属し、プロバイダーの説明によれば、Microsoftで最も高忠実度かつ最も表現力豊かなテキスト読み上げモデルです。アプリケーションで書かれたテキストを音声に変換する必要がある場合、これがMicrosoftがその用途に位置付けるモデルファミリーであり、他の音声モデルと同様にapi14で利用できます。

このモデルはテキストのみを入力として受け取り、音声のみを出力として返します。23言語をカバーしており、音声リストはそのカバレッジの広さを示しています。チェコ語、デンマーク語、ドイツ語、オーストラリア英語、イギリス英語、インド英語、アメリカ英語、スペインのスペイン語とメキシコのスペイン語、フィンランド語、フランス語、カナダフランス語、ヒンディー語、ハンガリー語、インドネシア語、イタリア語、韓国語、ノルウェー語ブークモール、オランダ語、ポーランド語、ブラジルポルトガル語とヨーロッパポルトガル語、ルーマニア語、ロシア語、スウェーデン語、タイ語、トルコ語、ベトナム語、中国語です。複数の言語には複数の名前付き音声が含まれているため、デフォルトを受け入れるのではなく、特定の話者を選ぶことができます。プロバイダーは、出力を自然でスタジオ品質の音声であり、詳細な韻律、きめ細かな表現力、長文コンテンツにわたる話者の一貫性を備えていると説明しています。このモデルに公開されているコンテキスト長はなく、サポートされているリクエストパラメータも公開していません。

実用的な用途はこれらの特性から導かれます。長文ナレーションは、拡張されたコンテンツ全体で話者の一貫性が維持されるため適しており、これはオーディオブック、eラーニングコース、ドキュメントの読み上げにとって重要です。音声と言語の幅はローカリゼーションに適しており、同じスクリプトを複数の市場で異なる話者によってレンダリングできます。表現力豊かな韻律は、平板な話し方が不自然に聞こえる会話インターフェース、ナレーション、支援読み上げツールで役立ちます。入力がプレーンテキストであるため、記事、サポート回答、通知など、システムがすでに生成しているコンテンツから音声を生成できます。

api14経由で呼び出すには、OpenAI互換エンドポイントに対してモデルID「microsoft/mai-voice-2.1」を使用します。これは、ゲートウェイ上の他のモデルを呼び出す場合と同じ方法です。テキストを送信し、リストから音声を選択します。たとえば、en-US-Harper:MAI-Voice-2.1やde-DE-Klaus:MAI-Voice-2.1などで、応答は音声オーディオです。このモデルはサポートされているリクエストパラメータを報告していないため、調整するサンプリングや生成のつまみはありません。音声の選択と入力テキストが結果を形作ります。ワークロードを確定する前に、ページ上の最新の価格表で現在の料金を確認してください。

注意すべき制限の1つは範囲です。このモデルはテキストから音声を生成するだけです。音声入力を受け付けないため、文字起こし、話された音声の翻訳、音声間変換はこのモデルの範囲外であり、それらのタスクには別のモデルが必要です。また、テキストを生成しないため、パイプライン内でチャットモデルや補完モデルを置き換えることはありません。要件が音声生成ではなくテキスト出力や音声理解である場合は、api14の別の場所を探してください。